稠密向量与稀疏向量高阶混合检索

def hybrid_search(
    self,
    ann: Optional[List[AnnSearch]] = None,
    match: Optional[List[KeywordSearch]] = None,
    filter: Optional[Filter] = None,
    rerank: Optional[Rerank] = None,
    retrieve_vector: Optional[bool] = None,
    output_fields: Optional[List[str]] = None,
    limit: Optional[int] = None,
    timeout: Optional[float] = None,
    **kwargs) -> List[List[Dict]]

from tcvectordb.model.document import Document, AnnSearch, WeightedRerank, KeywordSearch
from tcvdb_text.encoder.bm25 import BM25Encoder

db = client.database('db-test')
coll = db.collection('book-vector')
## 初始化稀疏向量编码器
bm25 = BM25Encoder.default('zh')
# search topn similary documents with filter
# vectors 指定了检索的向量数据
# filter 指定了过滤条件
# params 指定索引类型对应的查询参数，HNSW 类型需要设置 ef，指定查询的遍历范围;IVF 系列需要设置 nprobe,指定查询的单位数量
# retrieve_vector 指定是否输出向量字段
# limit 指定返回最相似的 Top K 条结果。如果插入的数据不足 K 条，则返回实际插入的 Document 数量。
# output_fields 指定输出字段  

doc_lists = coll.hybrid_search(
            ann=[
                AnnSearch(
                    field_name="vector",
                    data=[0.3123, 0.43, 0.213],
                ),
            ],
            match=[
                KeywordSearch(
                    field_name="sparse_vector",
                    data=bm25.encode_quires('正大光明，忠良善果弥深'),
                ),
            ],
            rerank=WeightedRerank(
                field_list=['vector', 'sparse_vector'],
                weight=[0.9, 0.1],
            ),
            retrieve_vector=True,
            limit=1,
        )
for i, docs in enumerate(doc_lists):
    print(i)
    for doc in docs:
        print(doc)