RAG检索老是把关键信息排到很后面，是不是我向量化方式有问题？

说实话你这个情况我太懂了，之前做合同审核问答也踩过一模一样的坑。问题大概率不在chunk大小，而是openai embedding对“违约金”这种强领域术语的语义捕捉太弱，它把“合同条款”和“违约金计算”都映射到相近向量空间了，所以排序自然就偏。我后来试过bge-m3，确实比openai效果好一截，但也没完全解决，因为单靠向量检索本质上就偏语义而轻关键词。你那个“日万分之五”是典型的高频实体词，BM25能精准命中，所以我建议直接上混合检索，faiss召回top50再用BM25的分数做加权融合，或者反过来，效果立竿见影。至于rerank，我觉得是锦上添花，但如果你现在连检索结果都乱，先别急着上重排，不然就是在一堆烂结果里挑相对不烂的。另外你可以试试把query做一下轻量改写，比如把“违约金怎么算”拆成“违约金 计算方式 日万分之五”，强制让embedding关注数字和比例词。我现在的方案是bge-m3+bm25加权，再加一个cross-encoder做最后过滤，已经稳定跑了两周，基本没再出现关键信息沉底的情况。你先别纠结意图分类路由，那是大厂做多业务线才需要的复杂度，你单场景用不上。