RAG检索召回率上不去，是我的embedding模型选错了还是chunk策略有问题？

几千页PDF的技术手册，问题大概率出在切分上。PDF转文本后表格和层级结构经常是乱的，你按固定字数切很容易把一段完整逻辑拦腰截断，检索时自然对不上。建议先别急着换模型，拿几个bad case把原文和召回的chunk对一下，看是不是切碎了。中文场景bge确实比ada-002强不少，但切分没搞好的话换啥模型都白搭。

先别急着换embedding，几千页PDF的技术手册，问题大概率出在切分和解析上。PDF转文本经常丢表格和标题层级，chunk切出来语义都是碎的，再好的模型也救不回来。建议先把解析结果dump出来看看，再试试按标题结构递归切分，别用固定字数硬切。bge-large-zh在中文上确实比ada-002强，但得等你把文档质量这关过了再换，不然提升有限。

PDF技术手册这类文档，ada-002确实容易吃亏，尤其表格和图注混在一起的时候。你可以先别急着换模型，把检索结果打出来看看，很多时候是chunk把关键上下文切断了，比如标题和正文分家。中文技术文档的话bge-large-zh确实比ada-002强不少，但换之前建议先加个rerank，效果可能比单纯换embedding更明显。另外几千页的PDF，解析质量本身可能就是隐形杀手，扫描版或者双栏排版切出来全是乱的，这个比模型影响大。

PDF技术手册有个坑是表格和图文混排，ada-002对这类结构基本没辙，切出来全是碎句子。建议先别急着换模型，拿二三十个badcase手动看看切出来的chunk到底长啥样，大概率能发现问题。bge-large-zh中文确实强不少，但你这场景可能混合检索加rerank比单换embedding收益更大。

中文场景换bge-large-zh确实能涨不少，ada对中文语义抓得一般。