LinkAI 知识库检索策略配置——让 AI 更准地找到你想要的答案

知识库应用的对话效果，一半取决于提示词，另一半取决于检索策略。很多人在"AI 答不对"时只会换模型或改提示词，却忽略了"知识库能不能正确命中问题"这个更底层的问题。

知识库检索的工作流程

用户提问
    ↓
向量化问题（embedding）
    ↓
在向量数据库中搜索语义相近的语料片段
    ↓
根据检索策略筛选出 Top N 个片段
    ↓
把问题 + 选中的语料 + 提示词 一起送给大模型
    ↓
大模型基于这些上下文生成回答

检索策略 就是第 4 步"筛选"的规则——选多少个片段、相似度阈值设多少、关键词匹配和向量匹配怎么配合。配置不当会导致两种常见问题：

• 召回太少 → 答案中信息不全
• 召回太多（或阈值太低） → 把无关内容也塞进去，大模型被噪音干扰

六种检索策略

1. 向量语义检索（默认）

最常用的方式——把问题和语料都转成向量，按余弦相似度找最接近的片段。优点是能理解语义（"怎么退款"和"我想退这个商品"能命中同一语料），缺点是对字面精确匹配不如关键词。

2. 关键词匹配

传统方式——按问题中的关键词匹配语料。优点是精确，缺点是不理解语义（"退款"和"退费"可能命中不同语料）。

3. 混合检索

LinkAI 最推荐的方式——向量语义 + 关键词匹配结合使用，两边结果取并集后再排序。综合了两者的优点，召回率更高。

4. 多路召回 + Rerank

更高级的方式——先用多种检索方式（向量、关键词、标签等）各召回一批候选，再用一个轻量模型对候选进行重排序（Rerank），选出最优的 Top N。适合对精度要求特别高的场景（医疗、法律等）。

5. 热更新召回

当知识库有热更新（上传新文件）时，优先从新内容中检索。适合知识库内容频繁更新的场景。

6. 文档级 vs 片段级

• 文档级召回——找到语义最相关的整篇文档，把整个文档送给模型（上下文窗口够大时适用）
• 片段级召回——找到文档中最相关的片段（200~500 字），只送这些片段（省 token、更快）

LinkAI 默认用片段级召回，适合绝大多数场景。

关键参数

召回数量（Top N）

送给大模型的语料片段数量，默认通常是 5。

• 太小（1~3）→ 信息不全，回答容易缺细节
• 太大（>10）→ 噪音增加，大模型被无关内容干扰
• 推荐 4~8 之间，根据知识库文档的粒度调整

相似度阈值

片段与问题的相似度下限，低于这个值的片段会被丢弃。阈值太高（>0.8）可能把本来相关但表述不同的片段丢掉；阈值太低（<0.5）会塞进来很多噪音。推荐从 0.6~0.7 开始调，用检索测试验证效果后再微调。

检索超时

搜索超过这个时间就跳过，直接用已有的结果。知识库很大时可能需要适当调大。

调参方法论

1. 先用默认参数跑检索测试——在知识库详情页输入用户实际会问的问题，看命中的语料是否正确
2. 如果检索就不准——先换策略（向量 → 混合），再调 Top N 和阈值
3. 如果检索准但回答还是错——问题不在检索，去改提示词或换模型
4. 小步迭代——每次只改一个参数，改完立刻跑检索测试验证

与 AI 回答质量的关系

检索策略 → 选中的语料质量 → 大模型回答质量。这一层的效果上限决定了 AI 能"看到"多少正确信息。一个常见的误区是"换更强的模型就能解决"——实际上如果检索没命中正确内容，再强的模型也编不出来正确答案。