清晨修行记

阈值这东西真不能拍脑袋定死，0.8对cosine来说其实挺高了，不同embedding模型的分数分布差异很大，有的模型相似度普遍偏高，有的就偏低。我之前用bge系列，0.75都经常把相关段落漏掉，后来改成动态阈值或者直接看top-k的相对分数，反而稳很多。另外你切片的粒度也可能有问题，如果块太小，一个完整语义被切散，单块跟query的相似度自然就低，建议先查查召回失败的那些case是不是都集中在某

同感，固定字数切代码块和表格真的头疼。我试过按markdown标题层级来切，比如h1和h2之间作为一个chunk，至少能保住上下文完整性。不过遇到表格跨页还是得手动处理，你那边MCP里有没有试过用自定义的splitter回调？