Przejdź do treści

Praktyczne zastosowania

RRF w LangChain: ważony Reciprocal Rank Fusion a klasyczny wzór

Zaktualizowano: Autor: Andrzej Niemiec10 min czytania

Reciprocal Rank Fusion to sposób łączenia kilku rankingów w jeden. Metoda pochodzi z pracy Cormacka, Clarke'a i Büttchera z 2009 roku. Wzór to suma 1/(k + pozycja dokumentu) po wszystkich listach, a w eksperymentach autorzy przyjęli k = 60 [1].
RRF w LangChain: ważony Reciprocal Rank Fusion a klasyczny wzór
Spis treści
  1. Czy LangChain implementuje klasyczny RRF?
  2. Jak działa wzór ważony w EnsembleRetriever?
  3. Czy strojenie wag rozwiąże problemy z trafnością?
  4. Jak mierzyć, czy zmiana pomogła?
  5. Co daje reranker, a czego nie daje fuzja?
  6. Najczęstsze pytania
  7. Źródła

Metoda korzysta wyłącznie z pozycji, nie z surowych wartości podobieństwa. To rozróżnienie ma praktyczne znaczenie: BM25 zwraca wyniki w innej skali niż podobieństwo kosinusowe embeddingów, a RRF omija ten problem, bo porównuje miejsca na listach [1][2]. Dokument obecny wysoko na obu listach dostaje wyższą sumę niż dokument, który pojawia się tylko na jednej.

Czy LangChain implementuje klasyczny RRF?

Nie w wersji bezpośredniej. EnsembleRetriever liczy wkład retrievera jako waga/(pozycja + c), czyli stosuje ważony wariant RRF [3][4]. Domyślnie wagi są równe, a c wynosi 60, więc bez zmian w konfiguracji zachowanie jest bliskie klasycznemu [3].

Nazwa w dokumentacji mówi o RRF, a implementacja dodaje mnożnik wagi. To różnica terminologiczna, nie dowód celowego wprowadzania w błąd. Warto ją znać, bo ten sam mechanizm ma dwa zapisy: jeden w pracy naukowej, drugi w kodzie biblioteki [1][4]. Klasa ma trzy parametry: weights, c oraz id_key [4].

Osobna sprawa to identyfikacja dokumentów. Gdy id_key nie jest ustawione, dokumenty rozpoznaje się po page_content. Dwie różne pozycje o identycznej treści mogą zostać połączone w jedną [4][5]. W produkcji warto dodać stabilny identyfikator do metadanych każdego fragmentu.

Jak działa wzór ważony w EnsembleRetriever?

Ważony RRF zapisuje się jako suma w/(pozycja + c) po listach, na których dokument wystąpił [1][3]. Waga mnoży wkład całej listy rankingowej, a nie surowe wyniki podobieństwa. To ważne, bo wiele osób czyta parametr weights jak wzmocnienie score'ów BM25 lub embeddingów, a implementacja działa na pozycjach [3][4].

KryteriumKlasyczny RRFWażony RRF w EnsembleRetrieverFuzja z rerankerem cross-encoder
Wzórsuma 1/(k + pozycja)suma waga/(pozycja + c)brak wspólnego wzoru, decyduje model
Parametryk, w eksperymentach 60weights, c, id_keymodel rerankera, liczba kandydatów
Skale wynikówomijane przez pozycjeomijane przez pozycjeomijane, model czyta treść
Kiedy stosowaćrówne zaufanie do retrieverówgdy jeden retriever ma mieć większy wpływgdy liczy się porządek góry listy

Każdy z tych wariantów odpowiada na inne pytanie. Klasyczny RRF zakłada symetrię retrieverów. Wariant ważony pozwala tę symetrię zmienić. Reranker nie zmienia list wejściowych, tylko porządkuje kandydatów na końcu [6].

Czy strojenie wag rozwiąże problemy z trafnością?

Zwykle nie. Waga zmienia udział listy, ale nie naprawi retrievery, który w ogóle nie zwraca potrzebnego dokumentu. RRF nie odzyska pozycji, której żaden z retrieverów nie znalazł [6]. Jeśli problemem jest pokrycie, pomoże szersze pobranie kandydatów albo inny podział tekstu, nie kolejna wartość wagi.

Drugi parametr, c, działa inaczej niż wagi. Wartość 60 spłaszcza różnice między sąsiednimi pozycjami. Mniejsze c mocniej premiuje czoło listy, większe sprzyja dokumentom zgodnie występującym na wielu listach [2][4]. Skoro c jest dostępne w klasie, trzeba badać je osobno od wag, bo oba parametry zmieniają wynik w różny sposób.

Praktyczna kolejność jest prosta. Najpierw ustal, czy retrievery zwracają właściwe dokumenty przy szerokim pobraniu. Potem sprawdź fuzję. Na końcu dodaj reranker i zmierz każdy etap oddzielnie [6].

Jak mierzyć, czy zmiana pomogła?

Podstawą jest raportowanie metryk na własnym zbiorze zapytań: recall@k, precision@k, nDCG oraz MRR. Do wyniku trzeba dołączyć liczbę zapytań, głębokość list, pokrycie retrieverów, wersję biblioteki i przedziały ufności. Bez tego nie da się odróżnić poprawy od szumu.

Samo wrażenie, że wyniki są lepsze, nie jest dowodem. Dwie konfiguracje mogą różnić się na kilkudziesięciu zapytaniach i wyglądać identycznie na całości. Pomiar etapów osobno pokazuje, czy zysk pochodzi z pobrania, z fuzji, czy z rerankingu [6]. Podobne podejście do oceny narzędzi opisują teksty o benchmarkach, na przykład Benchmarki AI: dlaczego Nvidia postawiła na OpenClaw zamiast kolejnego hype'u.

Co daje reranker, a czego nie daje fuzja?

Reranker cross-encoder ocenia parę zapytanie-dokument, więc patrzy na treść, a nie na pozycję. Typowa architektura to szerokie pobranie kandydatów z obu retrieverów, fuzja, a następnie reranking [6]. Fuzja zwiększa różnorodność kandydatów, reranker ustala kolejność na górze listy.

To rozdzielenie ma konsekwencję dla pomiaru. Recall zależy głównie od pobrania i fuzji. Precyzja góry listy zależy od rerankera. Mieszanie tych miar w jednej liczbie ukrywa, który etap zawodzi.

LangChain w 2026 roku nie jest już domyślnym wyborem do RAG. Wybór zależy od istniejącego stosu i tego, czy potrzebna jest gotowa warstwa komponentów, czy lżejsze SDK [7]. Sam mechanizm fuzji pozostaje jednak taki sam w każdym z tych wariantów.

Najczęstsze pytania

Czy RRF bez wag zawsze działa lepiej niż RRF z wagami?

Nie ma na to potwierdzenia w opublikowanych źródłach. Praca z 2009 roku bada klasyczny wzór i pokazuje jego skuteczność na wybranych kolekcjach, a nie uniwersalną przewagę nad każdym wariantem ważonym [1]. Wynik zależy od danych, retrieverów i głębokości list, dlatego porównanie trzeba wykonać na własnym zbiorze zapytań.

Czy LangChain oszukuje, nazywając metodę RRF?

Nie ma dowodów na celowe wprowadzanie w błąd. EnsembleRetriever rzeczywiście stosuje ważony RRF, a dokumentacja opisuje go jako RRF [3][4]. Można mówić o nieprecyzyjnej nazwie, bo klasyczny wzór z 2009 roku nie zawiera wag [1]. To kwestia terminologii, nie błędu w kodzie.

Ile wynosi k w RRF?

W oryginalnej pracy przyjęto k = 60 [1]. W EnsembleRetriever ten parametr nazywa się c i domyślnie również wynosi 60 [4]. Wartość wpływa na rozkład kar: mniejsze c mocniej premiuje czoło listy, większe sprzyja dokumentom obecnym na wielu listach [2].

Jak uniknąć scalenia dwóch różnych dokumentów?

Ustaw id_key na stabilne pole w metadanych. Bez tego EnsembleRetriever identyfikuje dokumenty po page_content, więc dwie różne pozycje o identycznej treści mogą zostać połączone [4][5]. Wystarczy dodać identyfikator do metadanych każdego fragmentu przed zbudowaniem retrievery.

Czy hybryda zastępuje reranker?

Nie. Fuzja poprawia różnorodność kandydatów, a reranker porządkuje górę listy. RRF nie odzyska dokumentu, którego żaden retriever nie zwrócił [6]. Dlatego oba etapy mierzy się osobno: najpierw pokrycie pobrania, potem jakość rerankingu.

Źródła

  1. Reciprocal Rank Fusion outperforms Condorcet and individual rank learning methods (Cormack, Clarke, Büttcher, 2009)
  2. What is Reciprocal Rank Fusion? (ParadeDB)
  3. langchain.retrievers.ensemble — LangChain 0.0.354 (LangChain)
  4. EnsembleRetriever (LangChain Reference)
  5. What is going on under the hood of Langchain Ensemble Retriever? (Medium, autorag)
  6. Advanced RAG — Understanding Reciprocal Rank Fusion in Hybrid Search (Glaforge, 2026)
  7. LangChain w 2026 — komponenty, agenci, alternatywy (Dokodu)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji

Analiza i dane

Trend rynkowy

Trend rynkowy

Trend rynkowy