📝 **Pergunta:** **Escreva a função** \`rrf(rankings, k=60)\` — Fusão de classificação recíproca. Pega uma lista de classificações (cada classificação é uma lista ordenada de IDs de documentos do melhor para o pior, de um único recuperador) e retorna o top-K fundido como uma lista de IDs de documentos classificados pela pontuação RRF total, o mais alto primeiro. Fórmula para um documento em uma classificação na posição indexada zero \`rank\`: \`\`\` pontuação = 1 / (k + classificação) \`\`\` Somar as pontuações de todas as classificações de cada documento; classifique os documentos por pontuação total decrescente. Em seguida, combine um vetor e um recuperador BM25 para uma consulta "SKU-4471": \`\`\` vector = ["doc-A", "doc-B", "doc-C", "doc-D"] # vector acha que A é melhor bm25 = ["doc-D", "doc-A", "doc-E", "doc-F"] # bm25 coloca D em primeiro lugar (corresponde ao SKU) \`\`\` Imprima os 4 primeiros fundidos como uma lista Python: \`\`\` ['doc-A', 'doc-D', 'doc-B', 'doc-C'] \`\`\` A aparece em ambas as listas em classificações altas → vitórias. D foi o número 1 no BM25 → vence B e C, embora o vetor não o favorecesse. Isso é RRF: documentos altamente classificados por QUALQUER superfície de retriever. 📋 Escolha a resposta certa. 💡 **Dica:** Releia a teoria acima se não tiver certeza.