检索设置

每次只调整一项设置，然后重新测试，这样才能判断每项改动是否有效。

设置项	作用
系统推理模型	索引时，按语义将文档拆分为分段和章节，为每个章节撰写摘要，并构建知识图谱，记录每个分段提到的主题以及这些主题之间的关联。使用「深度」和「研究」检索时，负责规划检索步骤。更换该模型会重新索引所有文档，并消耗 token。
Embedding 模型	将每个分段转换为向量，以便按语义将问题与分段匹配。更换该模型会为所有文档重新生成向量，并消耗 token。
Rerank 模型	按相关性为检索到的分段排序，并为每个分段打分。
检索深度	每次检索的深入程度。详见下方的检索深度。
Top K	每次检索最多返回的分段数。值越大，上下文越多，干扰也越多；值越小，结果越集中，但可能漏掉相关分段。
Score 阈值	舍弃得分低于设定阈值的分段。阈值越高，只留下高度匹配的分段，但可能什么都返回不了；阈值越低，匹配度一般的分段也能通过。

设置项

作用

系统推理模型

索引时，按语义将文档拆分为分段和章节，为每个章节撰写摘要，并构建知识图谱，记录每个分段提到的主题以及这些主题之间的关联。

使用「深度」和「研究」检索时，负责规划检索步骤。

更换该模型会重新索引所有文档，并消耗 token。

Embedding 模型

将每个分段转换为向量，以便按语义将问题与分段匹配。

更换该模型会为所有文档重新生成向量，并消耗 token。

Rerank 模型

按相关性为检索到的分段排序，并为每个分段打分。

检索深度

每次检索的深入程度。详见下方的检索深度。

Top K

每次检索最多返回的分段数。

值越大，上下文越多，干扰也越多；值越小，结果越集中，但可能漏掉相关分段。

Score 阈值

舍弃得分低于设定阈值的分段。

阈值越高，只留下高度匹配的分段，但可能什么都返回不了；阈值越低，匹配度一般的分段也能通过。

检索深度

三种深度都会用到嵌入模型和重排序模型，「深度」和「研究」还会用到推理模型。

深度	作用
快速	按语义和关键词将问题与分段匹配。速度最快，足以应对大多数直接的问题，建议从这里开始。
深度	检索范围比「快速」更广，还会沿着知识图谱，从问题出发找到涉及相关主题的分段。速度较慢。答案分散在多个相关主题中、「快速」又总是漏掉时，就改用它。
研究	将复杂问题拆解为多个子问题，逐一广泛检索，并根据章节标题和摘要决定阅读哪些章节。速度最慢，消耗的模型 token 也最多。适合需要多次检索才能回答的问题，不适合直接的问题。

检索深度