用开源模型搭RAG，召回效果差得离谱，是chunk切分问题还是embedding选错了？

先别急着换模型，查查是不是纯向量检索把关键词漏了，试试混合检索加BM25。

几百页的技术手册，chunk设512其实有点大，容易把关键段落和无关内容混在一起，试试256加10%重叠。你这两个问法召回差异大，本质是bge-large对口语化改写不敏感，换bge-m3会好一些但别指望根治。建议先加个轻量query改写，把用户问法往文档里的术语靠，比如“超时时间”改成“timeout配置”，比调chunk见效快。HyDE对技术文档效果一般，容易引入幻觉，先别折腾那个。

我之前也踩过类似的坑，bge-large-zh对同义问法的鲁棒性确实一般，换成bge-m3后召回明显稳一些，尤其是你这种技术手册场景。不过先别急着换模型，建议拿几个bad case看看召回的chunk里到底有没有正确答案，如果有但排后面，那问题在排序不在embedding。query改写和HyDE值得试，成本不高，但更省事的做法是先加个BM25做混合检索，关键词匹配能兜住不少语义漂移的情况。