result

func Compress ¶

func Compress(limit int, llm goChatCore.Client, hit *core.Hit) (*core.Hit, error)

Compress 先按分数排序取 top N，再对每条 ChunkHit 的 Content 调用 LLM 压缩。

入参 hit 不会被修改，返回新的 *Hit（Chunks 已压缩，Nodes/Edges 保持不变）。 压缩后的 ChunkHit 会创建新的 Chunk 副本（不共享原 Chunk 指针），避免副作用。

func Dedup ¶

func Dedup(hit *core.Hit) (*core.Hit, error)

Dedup 对检索结果中的 Chunks 做语义去重。

使用 MinHash 算法估算文本 Jaccard 相似度，对同 DocID 下相似度超过阈值的 ChunkHit 进行合并：同 DocID 下，内容相似度 >= threshold 的保留分数最高的，丢弃其余。

仅对 hit.Chunks 做去重，hit.Nodes 和 hit.Edges 保持不变。 返回新的 *Hit（不修改入参 hit），其 Chunks 已去重并按分数降序排序。

func RRF ¶

func RRF(sources ...*FusionSource) (*core.Hit, error)

RRF 使用默认平滑参数 k=60 执行 Reciprocal Rank Fusion。

融合规则：

• 按 Chunks/Nodes/Edges 三类分别 RRF 融合
• 同类内按 ID 去重，相同 ID 的分数累加
• 每类内部按融合后分数降序排序
• Hit.Score = topChunkScore + topNodeScore + topEdgeScore（缺失类别贡献 0）

参数：

• sources: 多个 FusionSource 输入（Hit 为 nil 的源会被跳过）

返回：

• *core.Hit: 融合后的检索结果容器
• error: 仅当 sources 为空或全部为 nil 时返回 (nil, nil)

func RRFWithK ¶

func RRFWithK(k int, sources ...*FusionSource) (*core.Hit, error)

RRFWithK 使用自定义平滑参数 k 执行 RRF 融合。 推荐 k 范围：5-100，k 越大对低排名结果越宽容。

RRF 公式：score(doc) = Σ weight_s / (k + rank_s)

func Rerank ¶

func Rerank(q core.Query, embedder core.Embedder, hit *core.Hit) (*core.Hit, error)

Rerank 使用查询向量与每条 ChunkHit 的 Content 向量计算余弦相似度，对结果重排。

重排规则：

• 入参为 *core.Hit（容器），仅对 hit.Chunks 做重排，hit.Nodes 和 hit.Edges 保持不变
• 查询向量从 q.Embedding() 读取（由 indexer 在 Search 前注入）
• 命中向量编码使用传入的 embedder
• 返回新的 *Hit（不修改入参）