RAG检索结果太差，换了好几个embedding模型都没用，问题出在哪？

多条件或者带否定词的query，纯靠向量检索确实容易翻车，因为embedding本身对逻辑结构不敏感，它更像是在算语义相似度而不是在做逻辑推理。你换了好几个模型都没用，大概率说明瓶颈不在embedding质量上，而在检索范式本身。建议先别急着上reranker，把query改写这一环做扎实，比如把复杂query拆成多个子查询分别召回再合并，否定词单独抽出来做过滤而不是丢给向量匹配。另外你可以做个诊断实验：把那些召回失败的query对应的正确chunk拿出来，直接算它和query的相似度，如果本来就排不进top50，那说明是表征或切分的问题，如果排得进但最后没被选中，那才是排序环节的事。chunk切分也值得查一下，200多份PDF如果按固定长度硬切，很容易把一个完整语义单元切碎，尤其是表格和条款类内容，建议按标题层级或段落语义来切。reranker在召回阶段已经能捞到正确chunk的前提下提升明显，但如果召回本身就是漏的，它救不回来。