RAG召回效果差，是切分粒度问题还是embedding模型选错了？

合同条款这种场景光靠调chunk_size确实很难搞，因为关键信息经常跨段落甚至跨页，切碎了语义就断了。你可以先试试按条款标题做结构化切分，别让固定长度硬切，这个改动成本最低。另外bge-small对长文本和数字类细节本身就不太敏感，换个bge-m3或者加个reranker可能比继续调参见效快，reranker其实不贵，值得试。

你这情况我踩过一模一样的坑，合同条款这种带具体数字的问题，光调chunk_size基本没用。bge-small对长句和数字的语义区分度确实一般，但先别急着换模型，建议你先看看切分是不是把“违约责任”和金额硬生生切到两个chunk里了。按条款结构切、保住完整语义单元，再配个bge-reranker-base，成本很低但召回排序会明显好转。

你这个情况我太熟了，去年做合同问答踩过一模一样的坑。先说结论：你这种“具体金额”查不到的问题，八成不是embedding的锅，而是切分把关键信息切碎了。技术手册和合同条款最要命的就是表格和长句，按固定字数切很容易把“违约责任”和后面的金额拆到两个chunk里，那检索再强也白搭。你可以先别急着换模型，把PDF解析出来的文本打印几段看看，大概率会发现表格变成了一堆乱序的数字。bge-small其实对中文短句还行，真正拖后腿的是chunk里塞了太多无关上下文，把语义稀释了。至于reranker，我觉得在你切分修好之前上它性价比不高，它只能帮你从候选里挑好的，候选本身就是错的它也没辙。建议先试试按标题层级或者条款编号做结构化切分，每个chunk带上前置的章节标题，这个改动成本最低但效果往往立竿见影。等切分干净了还不行，再考虑换bge-m3或者加个轻量reranker也不迟。