RAG部署后检索总不准，是chunk切分还是embedding模型选错了？

先别急着换模型，加个rerank试试，bge-reranker对这类语义漂移挺管用的。

我遇到过类似情况，最后发现是chunk把完整流程拆断了，检索出来的片段语义不完整，模型自然答偏。你可以先打印几个召回片段看看，如果明显缺上下文，就试试按标题或段落切，别死磕固定长度。另外bge-large-zh本身没问题，但招聘和离职都属HR域，不加rerank确实容易混。建议先加个bge-reranker跑一遍，成本不高，大概率能救回来不少。

离职流程被招聘内容挤下去，这个现象挺典型的，大概率不是embedding模型本身不行，而是切分和检索链路里某个环节把语义带偏了。bge-large-zh在中文通用语义上其实还可以，但企业文档里“离职”“招聘”经常出现在同一份HR制度文档里，chunk切得太碎或者切在了段落中间，就可能把招聘相关的句子混进离职流程的片段里。500字chunk加50overlap本身不算离谱，但得看你的文档结构，如果是表格、标题层级很深的制度文件，按固定长度切很容易把上下文割裂。另外top_k从5调到20反而可能让噪声更多，因为召回多了但没有rerank，排序靠前的未必最相关。建议先别急着换模型，拿几条badcase把召回的chunk原文打出来看看，确认是切分把关键信息切没了，还是embedding把“离职”和“招聘”编码得太近。如果chunk里确实有正确内容但排不上去，那加个cross-encoder rerank或者用bge-reranker做二阶段排序，提升会很明显。Milvus本身没问题，但记得检查下metric_type和归一化，cosine和IP搞混了也会让相似度排序失真。