# 搜索测试与检索调优

> 掌握知识库搜索测试工具、混合检索模式切换、相似度得分分析与未命中排障排查方案。

Source: https://doc.fastgpt.cn/zh-CN/guide/dataset/test-retrieval

在将知识库挂载到具体应用前，通过独立的“搜索测试”工具可以隔离应用提示词与模型生成干扰，直接验证底层向量与全文索引的召回精度。

## 步骤一：打开搜索测试工具

1. 进入目标知识库，点击顶部导航栏中的“搜索测试”标签页。
2. 页面包含测试输入区、右上角“搜索配置”按钮、“测试”按钮、测试历史以及测试结果列表。点击右上角“搜索配置”打开“知识库搜索配置”弹窗，在 **搜索方式** 标签页选择检索模式与重排，在 **搜索过滤** 标签页设置“引用上限”与“最低相关度”。
3. 输入代表真实业务场景的测试提问，例如：`出差回来后多久提交报销？`。

![搜索测试返回包含报销期限的原文](/imgs/optimized/current/knowledge-search.png.webp)

## 步骤二：切换搜索方式并对比召回

在“知识库搜索配置”弹窗的“搜索方式”中切换不同选项，观察返回候选块的得分变化：

1. **语义检索（Semantic Search）**：
   输入包含同义改写的提问（例如 `差旅结束后多久能报账？`）。系统根据高维语义距离匹配，准确召回包含“15 个自然日”的数据块。
2. **全文检索（Keyword Search）**：
   输入包含生僻专有名词或规章代号的提问（例如 `依据财审发 [2026] 3 号文第 15 条`）。检查全文检索是否返回包含该文号的原文。
3. **混合检索（Hybrid Search，推荐）**：
   结合向量召回与全文召回的各自优势。系统合并多路候选；配置并启用重排模型后，可进一步重排。

![混合检索与重排结果得分明细](/imgs/optimized/current/dataset-result-scores.png.webp)

## 步骤三：分析得分并校准最低相关度阈值

在相同模型与检索配置下比较候选得分。准备包含有答案问题、同义改写、精确编号和知识库范围外问题的标注测试集，为有答案问题记录预期来源分块。

### 调优实操基准

1. 从较低阈值开始，确认预期分块进入候选列表。
2. 每次调整一个参数，比较正确命中、遗漏依据和无关结果，再选择阈值。
3. 更换向量模型、重排模型或分块策略后重新校准。界面提供实际重排和过滤状态时，一并核对。

![搜索参数设置与阈值微调](/imgs/optimized/current/dataset-search-filter.png.webp)

## 步骤四：检索未命中排查流程

当输入预期问题却未能召回目标分块时，按以下四步顺序排查：

| 排查步骤            | 检查要点                 | 修复措施                                                                                   |
| --------------- | -------------------- | -------------------------------------------------------------------------------------- |
| **1. 核查分块完整性**  | 打开数据集分块列表，搜索该条规章原文   | 确认目标知识点已被成功收录，且未被切片跨段落异常截断                                                             |
| **2. 检查索引构建状态** | 查看集合列表中该文件的索引状态      | 确认集合状态处于“已就绪”，若处于“训练异常”状态则在“异常列表”弹窗中重试训练                                               |
| **3. 评估分词覆盖率**  | 检查全文检索模式下专有名词是否被意外切碎 | 在提问中补充完整标准术语，或切换为混合检索结合语义召回（Milvus 环境下可通过环境变量 `MILVUS_LANGUAGE_IDENTIFIER` 调整分词语言识别策略） |
| **4. 补充辅助同义索引** | 针对该数据块添加扩展问题描述       | 点击目标数据块打开编辑弹窗，在下方的 **数据索引(N)** 区域点击 **新增**，手动添加 3 \~ 5 个用户常见提问                         |

## 下一步

* 接入对话应用：查阅 [将知识库接入应用](/zh-CN/guide/dataset/connect-application)。
* 标签范围过滤：学习 [集合标签体系](/zh-CN/guide/dataset/collection_tags)。
* 数据日常维护：学习 [数据维护与增量更新](/zh-CN/guide/dataset/update-data)。