为什么仅靠向量检索难以召回专业术语、类名和关键词？

核心回答

稠密向量把文本压缩成固定长度表示，训练目标通常强调语义接近，不保证精确保留每个标识符或区分仅差一个字符的类名、版本与错误码。领域术语若与训练分布差异大，或者切分和token化破坏词形，也可能表示不佳；近似索引和过滤还会造成额外漏召回。

专业词不意味着向量一定无效，但明确标识符适合同时保留关键词、精确字段或符号索引。先判断漏在哪一层，再选择混合检索、领域模型或数据治理，而不是一律扩大K。

为什么语义接近不等于对象正确

例如ConfigLoader与ConfigReader都与配置读取相关，Embedding可能把它们放得很近；用户查询具体类的异常处理时，检索到另一个类的说明仍然是错对象。错误码E1027与E1028主题相似，也可能对应完全不同处理方法。

分词器不认识新词，并不必然产生一个“未知词”：现代子词或字节模型可能拆成多个单元；问题在于最终表示是否学到这些组合和精确差异。不能把所有专业词漏召回都解释成词表里没有该词。

排查要分三层

先确认目标文档和词形确实在当前有效索引，检查大小写、别名、标题、代码块与版本。再用相同表示做精确搜索对照：精确搜索能找到而近似搜索漏掉，更指向索引搜索宽度、过滤或候选预算；精确搜索也排名很低，再看模型、编码方式和文档片段。

向量匹配正确但最终上下文没有目标，还要检查融合、去重和重排。问题定位到这一层时，重新训练Embedding未必是优先方案。

怎样补足精确匹配

为错误码、类名、接口和产品型号保留原文及规范化字段；按业务规则处理大小写和分隔符，维护别名映射。关键词索引配合领域分词，代码检索还可以使用符号和引用索引。

语义路覆盖自然语言描述，词项路保留实体；合并后按对象、版本和条件重排。领域数据充足且表示问题持续存在时，再评估专用Embedding或对比学习，加入容易混淆但业务不同的负例。

怎样证明有改善

按精确标识、相似拼写、缩写、口语描述和未登录领域词分桶，检查正确对象的Recall@K及最终答案。还要看新增词项路是否带来过多噪声，避免用命中更多主题相似段落冒充召回改善。

参考资料