必须根据文档类型、语言特征和业务场景选择合适的向量模型，如中文为主选bge-m3，中英混排超30%选text-embedding-v3-small，并通过典型问法测试和召回日志验证效果。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在扣子（Coze）知识库中获得准确的语义召回结果，必须根据文档类型、语言特征和业务场景选择合适的向量模型，模型选错会导致关键词能召回而语义相关的内容完全丢失。
确认知识库当前绑定的向量模型
进入 Bot 对应的知识库管理页 → 点击右上角「设置」图标 → 在弹出面板中查看「向量模型」字段显示的具体名称，如 【bge-m3】 或 【text-embedding-v3-small】。该字段不可编辑，仅反映当前生效模型；若此前未手动切换过，系统默认使用平台最新推荐模型，但旧 Bot 可能仍沿用 【bge-large-zh-v1.5】。
中文为主、含混合符号/短句的文档优先选 bge-m3
方法一：在知识库设置中点击「向量模型」右侧的「更换」按钮 → 从下拉列表中选择 【bge-m3】 → 点击「保存并重建索引」。
这一步会清空现有向量索引，全部重新计算，耗时取决于文档总 token 数，10 万字以内通常 2～5 分钟完成。重建期间知识库无法响应召回请求。
方法二：若知识库已上线且无法接受中断，先新建一个同结构知识库 → 绑定 bge-m3 → 上传相同文档集 → 等待索引就绪 → 将 Bot 的知识库引用切换至新库。注意：切换后原知识库的问答记录、热度统计等不迁移。
需跨语言检索或含大量英文术语时选 text-embedding-v3-small
第一步：确认文档中英文混排比例超过 30%，或存在较多缩写词（如 CRM、API、SLA）、代码标识符（如 useState、HTTP_404）；
第二步：进入知识库设置 → 更换向量模型为 【text-embedding-v3-small】 → 勾选「启用多语言对齐优化」→ 保存并重建索引；
第三步：用含英文关键词的测试 query（如“如何处理 404 错误”）对比旧模型召回结果——若新模型返回更多含 error handling、not found response 的段落，说明切换有效。
注意：该模型对纯中文长文本的细粒度语义区分略弱于 bge-m3，不建议用于客服话术、政策条文等强中文语境场景。
验证召回质量的实操检测法
准备 5 条典型用户问法，覆盖模糊表达（如“那个上次说的退款流程”）、术语替换（如“履约”→“订单交付”）、错别字（如“优惠卷”→“优惠券”）；
在知识库测试框中逐条输入 → 记录每条 query 返回的 top3 片段是否包含答案核心句；
若连续 3 条 query 的 top1 结果与问题无关，或答案被截断在片段末尾无法完整呈现，说明向量表征失效，需立即切回 bge-m3 并检查文档分块逻辑；
导出「召回日志」CSV，重点看「query embedding norm」值是否稳定在 0.97～1.03 区间——低于 0.95 表示 query 被异常压缩，高于 1.03 可能触发截断，此时应调整 query 预处理长度限制。
