MCP接入向量数据库后，RAG检索结果反而变差了，是哪里没配对吗？

这个坑我也踩过，MCP本身不负责embedding，它只是把工具暴露给模型，向量化那步完全看你server怎么实现的。你八成是用了官方示例里默认的embedding函数，那玩意儿跟bge根本不是一个空间，检索能不崩吗。建议直接在MCP tool里写死用bge-large-zh编码query，入库和查询必须同一个模型，别指望配置参数能解决。

这个坑我也踩过，MCP server默认那套embedding确实跟你离线入库的模型对不上，两套向量空间都不一样，检索出来的东西自然驴唇不对马嘴。我当时是在工具函数里直接把query的向量化接回自己那套bge，server端只负责传原始文本，别让它碰embedding。另外也检查下Milvus的metric_type和索引参数，有时候是距离度量跟入库时没对齐，不全是模型的问题。

这个问题基本可以确定是embedding模型不一致导致的，Milvus里存的向量和查询时生成的向量根本不在一个语义空间，top5能对上才怪。MCP server本身确实不管embedding，它只是转发工具调用，向量化这一步得你自己在工具函数里做，或者干脆把query丢给跟入库时同一个bge-large-zh去编码。我之前也踩过，接的是Qdrant，后来直接在server端封装了一个encode函数统一走bge，检索立马正常了。建议你把入库和查询的向量化逻辑抽成一个公共模块，别再依赖任何默认模型。