RAG的召回率一直上不去，是chunk切分问题还是embedding该换了？

简历这种短文本按256字切其实还行，但固定长度切容易把一段经历拆到两个chunk里，语义直接断了。建议先试试按项目/教育背景这种自然段落切，再在每段前面拼上岗位或技能关键词。重排对中文长文档效果挺明显的，尤其你top5混进不相关内容的场景，bge-reranker-base就能拉不少。不过62%的召回，感觉更可能是query和简历表述差太远，可以试试用LLM把问题改写成简历里常见的说法再检索。

简历问答这个场景，固定长度切分确实容易把一段完整经历切碎，试试按段落或项目条目切，效果可能比调重叠更明显。bge-large-zh其实够用，换gte提升有限，不如先加个bge-reranker，中文长文档上重排一般能涨5到10个点，但前提是召回阶段别漏太多。另外你top5混进不相关内容，可能是query和简历表述差异大，加点关键词扩展或query改写会更有帮助。

简历场景我踩过类似的坑，62%这个数其实不算离谱，但问题大概率不在embedding本身。bge-large-zh对中文短文本已经够用了，换成gte或者openai提升可能也就两三个点，性价比不高。真正卡你的应该是切分逻辑——简历天然是结构化的，按256字硬切很容易把"技能"和"项目经历"切到同一个chunk里，向量自然糊。建议你先按段落或模块切，再针对每段做语义压缩，召回会干净很多。另外你说的top5混进不相关内容，这其实是排序问题不是召回问题，rerank在这时候特别值。中文长文档上bge-reranker效果挺明显，我实测能提十来个点，但前提是召回阶段别把正确内容漏掉。混合检索涨3个点说明关键词那路有帮助，可以再调调BM25的权重。还有个容易忽略的点，你的测试集100道题是怎么构造的？如果query本身跟简历原文措辞差太远，再好的模型也救不了。

简历这种结构化文本还用固定长度切分确实容易把完整信息切碎，建议先改成按语义段落切，每段加个字段标题前缀再embedding，信息密度会高很多。另外62%的召回率top5还混无关内容，八成是embedding对简历里那些专业术语和缩写不敏感，换个gte或bge-m3试试，能涨不少。rerank对中文长文档效果挺明显的，但你这场景chunk本身就不长，优先把检索源头弄干净比后置重排更划算，不然重排也是在垃圾里挑。