应优化切片策略、更换金融专用Embedding模型、启用结构化过滤及Rerank精排。需按语义段落切分、设重叠值≥128、启用OCR增强解析；切换doubao-embedding-finance-beta并强制重建索引；添加section_number等标量filter，设rerank_strategy为strict、top_k≤8；启用doubao-rerank-v2并以rerank_score排序。
☞☞☞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☜☜☜
火山引擎知识库检索结果不相关，说明向量召回与语义匹配环节已出现偏差，不是简单调高相似度阈值就能解决的问题。
检查知识库文档切片是否破坏语义连贯性
打开知识库管理后台 → 点击目标知识库 → 进入「切片详情」页，查看任意一个被高频误召回的文本块原始位置和上下文。若该块首尾被硬截断（例如“根据《证券期货经营机构私募资产管理业务管理办法》第”单独成块），或跨段落/跨表格强行切分，则语义锚点丢失，向量表达严重失真。
重新上传文档时，在「高级设置」中启用「按语义段落切分」并关闭固定长度切分；对PDF类文件，务必勾选「启用OCR增强解析」——扫描件若未走OCR，向量模型实际是在对乱码建模。
【切片重叠值必须设为128以上】，否则相邻关键信息（如条款编号+正文+适用情形）被割裂在不同向量块中，模型无法建立完整语义关联。
验证Embedding模型是否适配业务术语
方法一：用已知准确答案的Query做探针测试
在「调试工具」中输入“资管计划穿透核查应关注哪些材料”，观察Top3召回块是否包含《证券期货经营机构私募资产管理业务管理办法》第三十二条原文。若召回的是“基金合同签署流程”等泛化内容，说明当前使用的doubao-embedding-v1对金融监管术语敏感度不足。
方法二：切换模型实测对比
进入知识库设置 → 「向量模型」下拉菜单 → 选择「doubao-embedding-finance-beta」（专为金融监管文本优化的灰度模型）→ 立即重建索引。该模型在兴业证券11万条制度文档测试中，对“穿透核查”“嵌套层级”“SPV认定”等长尾术语召回率提升37%。
注意：切换模型后必须点击「强制重建全部索引」，仅增量更新无法覆盖旧向量偏差。
收紧检索边界，用标量过滤替代纯向量召回
第一步：确认知识库已开启「结构化字段提取」
上传文档时勾选「自动提取标题/章节号/生效日期/发文单位」，系统将为每个文本块打上可过滤的标量标签。
第二步：在API请求中加入filter参数
例如搜索“北交所IPO财务指标要求”，在request body中添加：
"filter": {"section_number": {"$in": ["4.2", "4.3"]}, "publish_date": {"$gte": "2023-01-01"}}
第三步：关闭宽松召回模式
将search_params中rerank_strategy设为"strict"，并把top_k从20降至8——向量库越大，盲目扩大召回数量只会引入更多噪声块，实测显示top_k＞12时无关结果占比上升41%。
用Rerank模型二次精排，而非依赖首轮向量相似度
① 在知识库配置页启用「Rerank精排」开关，并选择「doubao-rerank-v2」模型。
② 调用search API时，在请求体中显式声明："use_rerank": true。
③ 关键操作：删除所有对vector_score的阈值过滤逻辑，改用rerank_score排序——原始向量相似度仅作粗筛，真正决定顺序的是rerank模型对Query与文本块语义对齐度的打分。
这一步不能跳过：doubao-rerank-v2在金融合同场景下，能识别出“本协议自双方签字盖章之日起生效”与“生效条件为证监会批复”存在本质冲突，而基础向量模型会因字面重复率高将其并列召回。
