同样是一个问题，在不同学科中的表达与关键词，往往天差地别。这是AI科研平台Consensus要解决的核心难题——科研场景里，关键词匹配远远不够用。

Consensus的做法是引入Zilliz Cloud，构建了一套三路混合检索架构。这套架构把稀疏检索、BM25和稠密向量语义检索结合在一起，专门对付跨学科问题中关键词不匹配的困境。

打开网易新闻 查看精彩图片

三路混合，精确率提升14%

单一的关键词检索在科研场景下容易失灵。同一个概念，物理学家和生物学家用的词可能完全不同。Consensus把稀疏检索、BM25和稠密向量语义检索三路并行，让系统既能抓住字面匹配，也能理解语义关联。

加入语义检索后，搜索结果精确率提升了14%。这个数字背后，是4亿多条学术文献的检索质量变化。

冷热双集合，重建从24小时到1小时

文献库需要保持最新，但全量重建的代价一直很高。Consensus通过维护两个集合副本的冷热双集合策略，实现了每日全量重建。

效果很直接：全量重建时间从24小时以上缩短至约1小时。这意味着文献库可以始终保持最新状态，科研智能体的快速迭代也有了支撑。

1024维向量，质量提升27%

Zilliz Cloud的高效向量处理能力，让Consensus可以使用1024维向量而不牺牲性能。相比256维向量，检索质量提升了27%，而延迟和成本的增长却远低于预期。

高维向量带来的检索质量提升，最终反映在用户体验上。对于需要高精度查询的科研智能体来说，这套基于Zilliz Cloud的检索系统，解决的是关键词匹配不足这个根本问题。