向量数据库做RAG，文档切分后召回总是不准，有啥调优思路吗？

你这问题我太有同感了，chunk_size和overlap确实不是万能解。建议先换个embedding模型试试，比如bge系列或者gte，对技术文档的语义匹配比openai那套更敏感。另外reranker确实值得加，简单用个bge-reranker就能明显提升top-k准确率，不过注意别太早加，先确认检索本身没问题。还有个小技巧：按章节或段落语义切分，别硬按字符数，用LangChain的RecursiveCharacterTextSplitter配合separator来切会好很多。

切分确实挺关键的，500的chunk_size对技术手册可能偏小，尤其是参数说明这种上下文强的段落。我试过先用模型做语义切分，再按段落边界调整大小，召回率提升不少。另外embedding模型可以换bge或gte系列，比默认的text-embedding-ada-002在中文上更准。reranker建议加上，成本不高但效果明显，能筛掉那些语义相似但实际无关的片段。