应启用mad动态相似度阈值过滤以精准剔除低相关性文档片段：进入向量搜索控制台→rerank配置页→开启「mad自适应阈值」开关，系统自动基于top-k结果计算中位数及mad推导下限；关闭后所有结果无条件保留。
☞☞☞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☜☜☜
在火山引擎知识检索中，当返回结果混杂大量语义偏离的文档片段时，需通过动态阈值机制精准剔除低相关性条目，避免噪声干扰后续生成。
启用MAD动态相似度阈值过滤
进入「向量搜索控制台」→「Rerank配置页」→ 开启「MAD自适应阈值」开关。
系统将自动基于本次查询召回的Top-K结果计算相似度中位数，并用中位数绝对偏差（MAD = median(|x − median|）推导合理下限。这一步不可跳过，【关闭该开关后所有结果无条件保留，即使相似度低于0.1也会进入上下文】。
保存配置后，下次检索自动生效，无需重启服务或重建索引。
手动设置固定相似度阈值（备用方案）
方法一：在API请求体中添加filter参数
{"query": "如何优化Spark shuffle性能", "top_k": 5, "filter": {"similarity_threshold": 0.35}}
方法二：在豆包搜索SDK中调用setMinSimilarity(0.4)方法
注意：固定阈值仅适用于业务语义稳定、查询分布集中的场景；若查询类型跨度大（如同时包含术语定义和实时告警），固定值易误杀或漏放，此时必须切回MAD模式。
验证过滤效果是否生效
第一步：构造一个已知高相关性问题，例如“EMR作业失败常见原因”。
第二步：在控制台开启「检索日志详情」，执行两次查询——一次关闭MAD，一次开启MAD。
第三步：对比两次返回的result.items数组长度与各item.score字段值。开启MAD后，score低于动态下限的条目不会出现在数组中，且数组长度应明显减少。
若开启后数组长度未变，检查是否在Rerank阶段误选了不支持阈值的旧版模型（如v1.2以下reranker），需升级至v2.0+版本。
