Haystack 支持多种类型的检索器模型，旨在高效地从数据集中搜索和检索相关文档。 这些包括稀疏检索器、密集检索器以及结合这两种方法的混合模型。 每种类型都满足不同的检索需求，从而平衡速度、准确性以及处理语义或基于关键字的查询的能力。 开发人员可以根据他们的用例、数据集大小和性能要求选择合适的检索器。
稀疏检索器（如 BM25）依赖于关键字匹配和词频来对文档进行排名。 例如，Haystack 与 Elasticsearch 集成以使用其优化的 BM25 实现，该实现对于精确的关键字搜索来说快速有效。 当查询包含与文档内容直接匹配的特定术语时，此方法效果很好。 另一方面，密集检索器使用神经网络将文本转换为密集向量嵌入，从而实现语义相似性搜索。 Haystack 的 EmbeddingRetriever 支持 Sentence Transformers（例如，all-MiniLM-L6-v2）或 OpenAI 嵌入等模型，并与 FAISS 或 Milvus 等向量数据库配对。 这些检索器擅长理解缺乏精确关键字匹配的释义或上下文相似的查询。
混合检索器合并了稀疏和密集方法，以利用它们的优势。 例如，Haystack 的 EnsembleRetriever 结合了来自 BM25 和密集检索器的结果，重新对它们进行排名以提高准确性。 开发人员还可以在管道中使用 JoinDocuments 节点来合并来自多个检索器的输出。 此外，Facebook 的 Dense Passage Retriever (DPR) 等专用模型也受支持，用于需要上下文理解的任务，例如问答。 Haystack 的模块化设计允许与文档存储（例如，Elasticsearch、FAISS）和管道无缝集成，从而可以针对特定工作流程进行自定义。 通过提供这些选项，Haystack 可以灵活地优化速度、精度或两者之间的平衡，具体取决于应用程序。