最近用LangChain搭了个RAG问答系统，本地测试时top-k命中率还行，结果一上线跑真实用户query就崩了。比如用户问“工资什么时候发”，我库里明明有《薪酬管理制度》相关条文，但检索出来的全是别的文档碎片，甚至把离职流程都带出来了。我怀疑是embedding模型对口语化表达不敏感，但换了BGE-large还是不行。现在看chunk切分也感觉有问题，按固定200字切，很多语义被截断了。想请教下大家，遇到这种线上检索效果差的情况，一般从哪些维度排查？是先调chunk大小还是换rerank策略？有没有靠谱的评估方法（比如构造golden set）能提前发现问题？求实战经验，感谢！