11.3 检索失败与相关性陷阱

11.3.1 现象描述

完全依赖向量数据库（Vector DB）进行语义检索，认为“相似度高”就是“答案所在”。

11.3.2 反模式示例

查询：“我不想要苹果手机。” 检索结果（基于向量相似度）：

1. “苹果手机是最好的手机...” （语义高度相关，但在意图上完全相反）

2. “如何购买苹果手机...”

11.3.3 后果

• 语义与意图的偏差：向量模型擅长捕捉语义相似性，但往往忽略了否定词（not）、精确数值匹配等逻辑意图。

• 信息茧房：总是检索到语义上相似的内容，导致模型无法获得不同维度的补充信息。

11.3.4 修正方案

• 混合检索（Hybrid Search）：同时使用关键词检索（BM25）和向量检索。BM25 对否定词和精确匹配更敏感。

• Query Rewrite：在检索前，先用 LLM 改写用户查询。例如将“我不想要苹果”改写为“推荐非苹果品牌的手机”，再进行检索。