语义检索与向量数据库选型：从 FAISS 到 Milvus 的落地对比
四、工程要点。 ① 维度一致性：embedding 模型与检索端必须用同一模型，否则向量不在同一语义空间，相似度毫无意义。维度通常 768（bge-base）或 1024（bge-large）。 ② 距离度量：余弦相似度最常用，需与训练时保持一致；内积（IP）在向量已归一化时等价于余弦。 ③ 混合检索：向量召回叠加 BM25 关键词，召回率通常优于单一向量检索；可给 BM25 0.3–0.5 的融合权重。 ④ 重排：召回 top-k（5–10）片段后，用 Cross-Encoder 重排器（如 bge-reranker-large）重新打分，取最相关 2–4 段送入生成模型，可显著提升答案准确度。 ⑤ 评估：用 Recall@k（前 k 个结果含正确答案的比例）衡量检索，用 Faithfulness/Answer Relevancy 衡量生成；可借助 RAGAS、TruLens 框架做自动化评测，定量看哪环掉链子。
