倒排索引（Inverted Index）是一张「词 → 文档列表」的账本：给定一个词，立刻知道哪些文档里有它、出现了几次。
先看它的反面。正排索引（Forward Index）是「文档 → 词」的映射：像一本书按章节顺序排版，你知道第 3 章讲了什么，但想知道某个词在全书写在哪几页，只能从第一页翻到最后一页。倒排索引就是书末的术语索引——按词排好，后面跟着页码。查「苹果」，直接翻到第 12、45、87 页，不必通读全书。
搜索引擎正是这么干的：把文档切成分词（token），建一张词典，每个词挂一条倒排列表（posting list），记录文档编号、词频、位置等信息。查询时把每个查询词的列表取出来做交集或并集，命中的文档立刻浮出水面。BM25 这类关键词打分算法就架在这层结构上：一个词在本篇出现得多、在全库出现得少，区分度就高，权重自然大。
| 正排索引 | 倒排索引 | |
|---|---|---|
| 映射方向 | 文档 → 词 | 词 → 文档 |
| 回答的问题 | 这篇讲了什么 | 哪些文档提到这个词 |
| 查询代价 | 通常要扫全文 | 直接定位文档列表 |
| 典型场景 | 存储、按 ID 取原文 | 关键词检索、BM25、条件过滤 |
需要分清的是：倒排索引不等于语义检索。向量检索（vector search）比的是向量相似度，能处理「同义不同词」——搜「手机」也能召回「iPhone」；倒排索引只认字面匹配，但胜在快、可解释、能做精确过滤。所以现在常见的混合检索（hybrid search）往往是两路召回，再合并排序。
对做 AI 的人：Lucene、Elasticsearch 以及 RAG（Retrieval-Augmented Generation，AI 词典：检索增强生成">检索增强生成）里的关键词召回，底层都是这个结构。工程上要操心分词器（中文尤其关键）、停用词、词典能否放进内存、倒排列表的压缩，以及增量写入时的段合并（segment merge）。具体实现细节以各项目官方文档为准。
对普通人：搜索框「秒出结果」，不是因为电脑读完了所有文章，而是它早就把这本账记好了。