扣子AI知识库召回准确率低的根本原因是检索策略未对齐业务语义、切片质量差、参数未调准；须先绑定知识库再配置参数，推荐混合检索，最小匹配度设0.5～0.6、最大召回数设3～8，切片需语义完整并标引关键词，禁止跨三级库全局检索。
☞☞☞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☜☜☜
扣子AI知识库召回准确率低，表现为用户问“改地址”却返回退货政策、“Model Y续航”匹配到充电指南，根本原因不是知识库内容少，而是检索策略没对齐业务语义、切片质量不过关、召回参数没调准。
先绑知识库再配参数，否则所有设置都无效
在工作流画布中拖入【知识库】节点，必须放在开始节点之后、大模型节点之前；节点默认不绑定任何知识库，【点击右上角齿轮→「知识库」字段为空时，必须先点加号添加已创建的知识库，否则下方所有参数配置灰显且不生效】。
确认知识库已绑定后，才能展开「检索策略」「最小匹配度」「最大召回数量」等全部配置项。
选对检索策略：按内容类型决定怎么找
方法一：全文检索 → 适用于查型号、ID、缩写、标准术语等字面完全匹配的内容。比如用户输入“SN20240728-001”，知识库中某段含该单号，全文能秒级捕获。
方法二：语义检索 → 适用于理解意图、场景化表达、同义替换类提问。例如用户说“快递还没到，急用”，知识库中虽无原句，但有“订单发货后48小时内物流更新”这类解释性段落，语义检索可识别关联性。
方法三：混合检索（推荐默认启用）→ 同时跑全文+语义两路，再加权融合排序。它不会简单拼接结果，而是把最可能相关的前N条提上来。对FAQ、产品文档、政策说明等混合型知识库，这是容错率最高、泛化能力最强的选择。
调准两个核心参数：匹配度与召回数
第一步：把最小匹配度设为0.5～0.6。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，比如“改收货地址”和“换送货地点”相似度可能只有0.57，设0.8就直接丢弃。
第二步：把最大召回数量调到3～8条之间。召回太多（如默认5条再拉到10），大模型容易被噪声干扰；太少（如只设2条），关键依据可能漏掉——尤其当知识库存在多角度解释时，第3条可能才是最贴切的答案。
优化知识切片：让每一段都能被精准命中
不要把整篇PDF直接上传。进入知识库编辑页→点击具体文档→选择「手动调整分段」，将原文切成300～500字一个的语义块，确保每一段都在讲一件完整的事，比如“Model Y长续航版CLTC续航688km”单独成段，不要和充电时间混在一起。
对关键段落补充核心关键词标引：在段落末尾用括号标注3～5个标准词，如（特斯拉、Model Y、续航、CLTC、688km）。这些词会参与全文检索匹配，大幅提升命中率。
【禁止跨三级库全局检索】：若已建分级知识库（如“电商→售后→改地址”），必须通过意图识别+Query改写，将用户问题映射到唯一三级标签，仅在该库内检索。搜“改地址”绝不允许同时扫“退差价”或“催发货”库。
