AI 工具与出海建站的账本。

首页 / 工作流与 MCP / 知识库检索要不要上向量:先用全文,别急着 embedding

知识库检索要不要上向量:先用全文,别急着 embedding

十几篇到几千篇笔记的规模,全文检索就够了。上一个真实的知识库 MCP 做法,以及什么时候才该换向量检索。

2026年9月12日 8 分钟读完 naket.top 更新 2026-09-18
知识库检索要不要上向量:先用全文,别急着 embedding

给模型接上自己的笔记库,第一反应通常是"上向量库"。我最初也这么想,后来放弃了:在万篇以下的规模,全文检索的性价比高得多。

全文检索的真实优势

  • 零依赖:不用跑 embedding 服务,不用维护向量索引,不用管模型版本变更。
  • 字面精确:搜"finalmask"这种专有名词,全文检索一定命中;向量检索可能给你一堆"语义相近"但根本不对的段落。
  • 可解释:命中原因就是那几个词。出错时你知道该改什么。

代价是:搜"怎么解决网卡跑不满",如果笔记里写的是"e1000 无 RSS",全文检索可能找不到。同义表达是它的短板。

我实际的做法

一个 MCP server,两三个工具,全部围绕全文检索:

{
  "tools": [
    { "name": "search_notes", "description": "按关键词检索笔记标题与正文" },
    { "name": "read_note", "description": "读取指定笔记全文" },
    { "name": "list_tree", "description": "列出目录结构" }
  ]
}

search_notes 做三件事:

  1. 扫描所有 .md,跳过指定目录(比如剪报库)
  2. 对标题、路径、正文分别计权,标题命中权重最高
  3. 返回前 N 条,附命中片段与行号

返回行号很重要——模型拿到行号,可以直接 read_note 读那一段,而不是整篇读进来烧上下文。

选 Server 而不是高层封装

用 SDK 时,低层 Server 类比高层 McpServer 更可控:工具描述、返回结构、错误信息都能自己定。高层封装会把返回值塞成一种固定格式,模型读起来反而更费 token。

代价是要自己写 schema 与 handler。一个知识库检索服务,大概两百行,一次写完就不用动。

什么时候该换向量

三个信号,出现任意两个再考虑:

  • 笔记量过万,且关键词搜索经常搜不到已知存在的笔记
  • 用户提问大量使用同义表达("卡顿" vs "掉帧")
  • 需要跨语言检索(中文提问、英文笔记)

即使到那时,更便宜的做法通常是混合:全文检索先召回,向量只做重排。纯向量在专有名词上的失手率,比很多人预期的严重。

一个实现细节

全文检索最容易踩的坑是编码与大小写:中文笔记里混着英文术语,Finalmask / finalmask / FINALMASK 应当等价。统一转小写、统一 Unicode 归一化,这两行不做,召回率会莫名其妙地低。

另外一个细节:排除目录要可配置。我的剪报库里堆着五百多篇外部文章,一旦纳入检索,所有查询都会被它们淹没。

索引质量比模型重要

同一个模型,检索质量差时答案会"看起来对但引错段落"。三个提升点:

  • 切块带标题:每块前面拼上所属小节名,命中后模型知道上下文。
  • 保留原文路径:返回结果附带文件与小节,方便人工复核。
  • 控制返回条数:3–5 条足够,太多会稀释注意力。

一句总结

知识库 MCP 的瓶颈在索引,不在模型。召回准了,普通模型也能答得像专家。

还有一个细节:返回结果里带上"更新时间"。知识库会改,模型引用了过期段落却不知道,是这类工具最隐蔽的错误来源。

MCP检索知识库embedding

延伸阅读

Model Context Protocol 规范 ↗