AlloyDB for PostgreSQL 本身同时支持向量搜索和全文检索（FTS），但两者要组合成混合搜索时，结果融合是个麻烦。向量查询产出距离分数，FTS 产出相关性分数，把它们合并通常要靠复杂 SQL 或应用层自定义代码，还需要维护一套独立的分数归一化与重排逻辑。这篇文章介绍 AlloyDB AI 最近更新的混合搜索能力，核心是引入 Reciprocal Rank Fusion（RRF），把多步流程压缩成一次 SQL 调用。

RRF 直接绕过了分数归一化这个脆弱步骤，因为公式只用排名，不关心分数绝对值。具体做法是：调用统一的 ai.hybrid_search() 函数，把搜索组件写成声明式 JSON 数组传入；函数在单个查询计划内动态生成 CTE，每个 CTE 用 ROW_NUMBER() 计算各自结果的位次；然后基于文档 ID 做 FULL OUTER JOIN 合并；最后按 RRF 公式算出统一分数。整个过程在数据库内核完成，不需要应用侧连接，也不用手动调归一化公式。文章提到 RRF 是当前算法，之后还会加入其它合并与排序选项。

FTS 的性能也做了补强。标准 PostgreSQL GIN 索引不保存词的位置信息，做相关性排序和短语匹配时要回表重新分析，成为瓶颈。新的 RUM 扩展把每个词的位置直接存在索引里，排序和短语匹配大部分在索引内完成，避免堆扫描，延迟更低。代价是索引构建更慢、磁盘占用更大。如果工作负载更看重查询速度与排序精度，RUM 更合适。文章在多个 BEIR 数据集上展示了 RUM 相对 GIN 的加速效果。

另一个更新是 BM25 索引，通过 pg_textsearch 扩展进入 Cloud SQL 和 AlloyDB 预览。BM25 基于 TF-IDF，处理了词频饱和与文档长度归一化，关键词打分精度更高。需要行业标准相关度排序时，可以直接用原生 BM25 索引，不依赖外部搜索引擎。

对外扩展方面，AlloyDB AI 新增外部搜索 Foreign Data Wrapper（FDW），目前支持 Elasticsearch、OpenSearch、Solr。你可以从 AlloyDB 环境内用标准 SQL 查询外部集群，保留原有搜索基础设施，同时把结果纳入混合搜索框架。文章提供了 Elasticsearch 和 Solr 集成的端到端代码示例。

整体来看，AlloyDB AI 想表达的是：混合搜索的难点不在技术本身，而在架构和运维的简化。它用 RRF 统一了融合逻辑，用 RUM 与 BM25 提供两条 FTS 路径——一个偏延迟、一个偏精度，再用 FDW 接入外部专用搜索引擎。这篇文章的价值在于把碎片化操作背后的架构取舍讲清楚了。