Milvus 3.0 新特性解读｜词法与语义高亮：如何消除 Agent 搜索中的噪音干扰

在 RAG（检索增强生成）与 AI Agent 应用日益普及的今天，一个核心问题正逐渐浮出水面：当系统检索返回大量文档时，如何让用户和大模型快速定位到真正有价值的信息？现实情况往往是，一次查询可能召回数十篇文档，总篇幅动辄数万 token，但其中真正与问题相关的句子可能仅有寥寥数十句。这种大量噪音的涌入，不仅造成了严重的 token 浪费，更分散了大模型的注意力，影响了最终输出质量。

概述

Milvus 3.0 针对这一痛点，创新性地引入了 Highlight（高亮）能力，能够对检索结果中与查询相关的文本进行精准标记。这项能力分为两个层次：词法高亮和语义高亮。前者基于传统的 BM25 和 TextMatch 匹配技术，后者则借助语义模型进行深度理解。两种方式相互补足，共同为用户和大模型提供清晰、直观的检索结果展示。

词法高亮：基于 Token 匹配的精准定位

词法高亮是整个高亮体系的基础方案，其核心逻辑与 BM25 搜索、TextMatch 匹配一脉相承。系统复用同一套分词规则（analyzer）来处理查询和结果文本，在匹配到目标词汇后，按照原文位置精确插入高亮标记，确保搜索命中的词项与结果展示的边界完全一致。

词法高亮的使用方式与 Fragment 机制

在实际使用中，词法高亮提供了两种灵活的配置方式。一种是通过设置 highlight_search_text=True，让系统直接使用当前搜索关键词自动生成高亮；另一种是通过 highlight_query 显式指定 TextMatch 条件，实现更精细的匹配控制。值得注意的是，当处理长文本时，词法高亮不会返回完整内容，而是采用 Fragment（片段）机制进行智能截取。默认配置下，每个片段长度为 100 字符，最多返回 5 个片段，系统会自动选择匹配位置附近的上下文作为展示内容。用户还可以通过 fragment_offset 和 fragment_size 参数调整上下文范围，实现更灵活的展示效果。

语义高亮：跨越词汇界限的深度理解

词法高亮的能力边界在于，它依赖于查询和文档共享相同的词汇。当二者语义相关但表述完全不同时，如用户搜索「账号登不上怎么恢复」，而文档中写的是「连续验证失败后可由管理员解除账户锁定」，词法匹配就难以精准定位。这时候，语义高亮就展现出其独特优势——它通过对搜索结果进行二次语义分析，独立判断查询与各文本片段的关联度，即使没有重合关键词，也能准确识别相关内容。

如有侵权，请联系删除。