混合检索是当前生产环境唯一推荐选项，需结合自动或自定义分段策略控制段落长度在512 token左右，并通过三步实操验证recall score与correctness均≥0.82。
☞☞☞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Coze平台让知识库真正理解用户提问背后的语义，而不是只靠关键词碰运气，必须合理设置向量化参数并验证效果是否达标。这一步直接决定智能体在面对“一词多义”或“同义不同问”时能否给出准确答案。
选择合适的索引模式
进入知识库编辑页 → 点击右上角「设置」→ 在「索引模式」中选择「混合检索」。
混合检索同时启用关键词匹配和向量语义匹配，能覆盖高频标准问与长尾口语化表达。若只选「全文检索」，遇到“怎么退订会员”和“不想用了怎么取消”这类同义不同问就会漏召回；若只选「向量检索」，则对“订单号123456的物流”这种强实体查询响应变慢。
【混合检索是当前生产环境唯一推荐选项】
分段策略直接影响向量质量
方法一：使用自动分段与清洗（适合新手）
上传文档后，在分段设置中勾选「自动分段与清洗」→ 系统按语义逻辑切分段落，并过滤页眉页脚、重复空行等噪声。这一步省心，但对技术文档中跨段落的定义（如“API调用流程”含前置条件+步骤+返回示例）可能切得过碎。
方法二：自定义分段标识符（适合结构清晰的文档）
在分段设置中切换为「自定义」→ 输入分段标识符，例如“##”或“---”→ 设置最大段落长度为512 token → 启用「保留上下文连接」。这能确保一个完整操作指南不被硬拆成两段，避免向量表征失真。
注意：分段过长（如单段超1024 token）会导致向量编码时信息压缩严重，相似度计算失准；分段过短（如每段仅1句）则丢失上下文，向量缺乏判别力。
验证向量化效果的三步实操
第一步：构造测试问题集
准备5～10个真实用户可能提出的典型问题，覆盖同义替换（如“怎么退款”vs“钱能退吗”）、缩写（“FAQ”vs“常见问题”）、带实体（“订单A78901的发票”）三类场景。
第二步：手动触发一次检索测试
进入知识库详情页 → 点击「测试检索」→ 输入第一个测试问题 → 查看返回的Top-3段落是否包含语义相关原文。若首条结果匹配度低于0.75（界面右侧显示数值），说明向量化未捕获关键语义。
第三步：比对Recall Score与Correctness
用同一组问题跑完全部检索后，导出「检索结果+标准答案」对照表 → 使用余弦相似度工具分别计算：① retrieved段落 vs ground_truth的Recall Score；② 最终AI回答 vs ground_truth的Correctness。两个分数均≥0.82才算达标。
