向量数据库召回率一直上不去，是分块策略问题还是embedding模型选错了？

512字符固定切确实太粗暴了，碰到小标题和列表基本必碎。我之前也遇到过类似情况，后来改成按标题层级+语义段落切，召回明显好转。你的case感觉更像是分块把“违约金计算方式”这个完整语义单元切散了，embedding再好也救不回来。建议先别急着换模型，拿几个bad case手动重切一下，对比召回效果，能快速定位是切分还是模型的问题。

写得挺好，建议补充一些性能数据。

刚入门，这个对我帮助很大。

固定512字符切分确实容易把语义切碎，尤其合同这种带小标题和列表的结构化文本，标题和内容被分到两个chunk里，embedding再强也救不回来。我建议先别怀疑模型，把chunk拿出来人工看一遍，如果语义断裂明显，那八成是分块的问题。可以试试按标题层级或段落做递归切分，overlap适当加大到100左右，或者用语义分块工具先跑一版对比召回效果。另外bge-large-zh对中文短query和长chunk的匹配本身有点吃亏，query那边也可以做一下改写或扩展。调优路径我一般是这样：先固定embedding，只调分块看recall变化，再换模型对比，最后才动top-k和rerank。你们现在有做召回的人工标注集吗？没有的话先建个小规模的，不然调参全靠感觉很难定位问题。

先试试按小标题和列表结构切，固定512字符肯定把完整语义切碎了，再考虑换模型的事。