知识库节点召回效果差主因是检索策略未调准；需先绑定知识库，再依内容类型选全文/语义/混合检索，推荐混合检索并设匹配度0.5～0.6，召回数调至3～8条且确保Query绑定正确。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在扣子工作流中配置知识库节点时，若召回结果不相关、漏掉关键段落或返回一堆无关内容，问题往往不出在知识库本身，而是检索与召回策略没调准——这一步配错，大模型再强也“补不了脑”。
添加并定位知识库节点
在工作流画布中，从左侧节点栏拖入【知识库】节点，放在开始节点之后、大模型节点之前；节点默认不绑定任何知识库，必须手动关联，否则后续所有配置都无效。
点击节点右上角的齿轮图标进入配置页，此时你会看到「知识库」字段为空，【必须先点加号添加一个已创建的知识库，才能展开下方所有召回参数】。
配置检索策略与匹配精度
检索策略决定系统怎么“找答案”，不是选最炫的，而是选最贴合你知识类型的那个：
方法一：全文检索 → 适用于查专有名词、ID、缩写、型号等字面完全匹配的内容。比如用户问“特斯拉Model Y续航多少”，知识库中某段明确写着“Model Y长续航版CLTC续航688km”，全文能精准捕获。
方法二：语义检索 → 适用于查概念、场景化描述、跨表达提问。比如用户问“电动车冬天掉电快怎么办”，知识库中虽无原句，但有“低温环境下电池活性下降，建议预热电池再出发”这类解释性段落，语义检索能识别出关联性。
方法三：混合检索（推荐默认启用）→ 同时跑全文+语义两路，再融合排序。它不会简单叠加结果，而是用加权方式把最可能相关的前N条提上来。对大多数业务知识库（含FAQ、产品文档、政策说明），这是容错率最高、泛化能力最强的选择。
最小匹配度别设太高：设成0.8看起来很严谨，但实际会过滤掉大量合理但表述略有差异的段落；0.5～0.6是实测平衡点，既能挡掉明显无关项，又不会过度苛刻。
控制召回数量与质量
第一步：把最大召回数量从默认的5条，按需调到3～8条之间。召回太多，大模型容易被噪声干扰；太少，可能漏掉关键依据。
第二步：确认「输入 Query」字段是否绑定为开始节点的 input。常见错误是留空或误绑成固定字符串，导致每次检索都用同一句话去查，用户问什么根本不影响召回结果。
第三步：测试时不要只看第一条返回——拉到底部检查最后一条是否仍有信息量。如果第5条已是“详见官网”“请联系客服”这类兜底话术，说明知识库切片过粗或原文缺乏细节，该回知识库后台重新分片或补充原文了。
