扣子知识库节点检索与召回设置指南

知识库节点召回效果不佳，根本原因通常不在于知识库本身“质量差”，而是检索与召回策略配置不当。说得更直接一点：这一步一旦配错，即使底层大模型再强大，也无法替你弥补检索漏洞。先给出核心结论：你必须先正确绑定知识库，再根据内容类型选择全文检索、语义检索或混合检索。如果不确定，混合检索并将匹配度控制在0.5至0.6之间、召回数量设为3到8条，基本能覆盖绝大多数业务场景。另外，务必确认Query绑定的是正确的输入变量。

在扣子工作流中配置知识库节点时，如果发现召回结果不相关、关键段落缺失或返回大量无关信息，问题几乎不在知识库本身，而在于检索与召回策略未调优。这一步配错，再强的大模型也“救不回来”，必须认真对待。

添加并定位知识库节点

在画布上，从左侧节点栏拖入【知识库】节点，放置在开始节点之后、大模型节点之前。注意：节点默认没有绑定任何知识库，必须手动关联，否则后续所有配置均无效。

点击节点右上角的齿轮图标进入配置页，你会看到「知识库」字段为空。必须先点击加号添加一个已创建的知识库，之后才能展开下方所有召回参数。如果跳过这一步，后续操作全部作废。

配置检索策略与匹配精度

检索策略决定了系统如何“查找答案”。不是挑选最花哨的方案，而是选择最贴合你知识库内容类型的那一种。

第一种，全文检索——适合要求精确字词匹配的场景，比如查专有名词、ID、缩写、型号。举例来说，用户问“特斯拉Model Y续航多少”，知识库中某段明确写着“Model Y长续航版CLTC续航688km”，全文检索能精准命中。

第二种，语义检索——更智能，适合处理概念类、场景化描述或用户表述不一致的提问。例如用户问“电动车冬天掉电快怎么办”，知识库里没有原句，但有“低温环境下电池活性下降，建议预热电池再出发”这类解释性段落，语义检索能识别出潜在关联。

第三种，混合检索（推荐默认启用）——同时运行全文和语义两路检索，再融合排序。它并非简单叠加结果，而是通过加权方式将最可能相关的前N条提升上来。对于大多数业务知识库（如FAQ、产品文档、政策说明），这是容错率最高、泛化能力最强的选择。

至于最小匹配度，别设太高。设成0.8看似严谨，实际上会滤掉大量合理但表述略有差异的段落。实战经验表明，0.5到0.6是经过验证的平衡点，既能剔除明显不相关的内容，又不会过于严苛。

控制召回数量与质量

接着，将最大召回数量从默认的5条调整为3到8条。召回过多，大模型容易被噪声干扰；过少，则可能遗漏关键依据。

然后，确认「输入 Query」字段是否绑定了开始节点的 input。一个常见错误是留空或误绑成固定字符串，导致每次检索都使用同一句话去查，用户问什么根本不影响召回结果。这一点才是真正的关键。

测试时不要只看第一条返回——拉到页面底部，检查最后一条是否仍有信息量。如果第5条已经是“详见官网”“请联系客服”这类兜底话术，说明知识库切片过粗或原文缺乏细节，需要回知识库后台重新分片或补充原文内容。