一句话定义：BM25（Best Matching 25）是一种给"查询和文档有多相关"打分的经典排序算法——它算的不是语义，而是词。你把几个关键词敲进搜索框，背后第一时间给你排出结果的，很可能就是它。名字里的 25 只是研究过程中版本编号的沿用，不必深究。
三个直觉，撑起一个公式
想象一位图书管理员，你说"猫粮怎么存"，他要在几万本书里挑出最该给你看的那几本。他的判断依据只有三条。
第一，词频（TF, Term Frequency）：你问的词在书里出现得越多，这本书越可能相关。但"出现 100 次"不该比"出现 10 次重要 10 倍——第一次出现是强信号，第五十次基本是废话。所以 BM25 用一条饱和曲线把词频压平：从 1 次到 2 次很关键，从 50 次到 51 次几乎没意义。
第二，逆文档频率（IDF, Inverse Document Frequency）：越稀有的词越值钱。"的"出现在每本书里，命中了也不能说明什么；"猫粮"只在一小撮书里出现，命中它基本就找对了方向。
第三，长度归一化：一万字的长文天然更容易"碰巧"包含某个词，一篇 200 字的短帖出现一次"猫粮"，说服力大得多。BM25 按文档长度和全库平均长度的比值做惩罚——但不是一刀切，惩罚力度由参数 b 控制，词频饱和速度由参数 k1 控制。这两个旋钮的默认值各家实现略有差异，以你所用检索库的官方文档为准。
它和向量检索差在哪
| 维度 | BM25 | 向量检索 |
|---|---|---|
| 匹配依据 | 词是否出现、出现多少 | 语义向量距离 |
| 强项 | 精确词、编号、人名、专有名词 | 同义改写、跨语言、模糊意图 |
| 弱项 | 同义词、拼写错误、语义改写 | 罕见实体、精确串，容易"差不多就召回" |
| 成本 | 极低，纯统计索引，无需 GPU | 需嵌入模型与向量库 |
典型的翻车场景：用户搜"猫咪口粮"，文档标题写的是"猫粮"，BM25 完全匹配不上；反过来，用户搜错误码"E1042"，向量检索可能把语义相近的"E1032"也捞回来——而这两个是灾难性的不同。
所以它为什么还活着
现在的混合检索（hybrid search）通常是：BM25 召回一批，向量召回一批，合并后统一重排。BM25 常年是那条"保底"的线——它不会漏掉字面精确匹配，成本低、结果可解释、不需要 GPU，向量模型换版本或服务抖动时它照样跑。
对 AI 从业者，尤其是做 RAG（Retrieval-Augmented Generation）的人：如果你的语料里塞满产品型号、错误码、内部代号、人名，别只上向量库，加一路 BM25 往往是最便宜的召回率保险。对普通职场人：你在搜索框里认真敲下的那几个关键词，至今仍然是决定你看到什么的那只手。