现象
用户在FastGPT 4.9.0及以后的私有部署版本中，使用RAG进行问答时，部分低频问题无法被向量召回。当短问题与大量长文本共同参与筛选时，即使与目标文本的向量相似度达到100%，也无法召回该目标文本。通过FastGPT控制台获取PGvector执行的SQL日志后，在独立的SQL客户端中直接执行该SQL语句，同样无法召回预期的目标内容。
可能原因
当前FastGPT默认使用内积作为向量查询算法，内积的计算结果越大，代表两个文本的相似度越高。现有代码逻辑中，先对向量查询返回的结果进行分页处理，再通过乘以-1的方式调整排序方向，以匹配相似度从高到低的展示需求。但由于分页操作先于排序调整执行，导致分页后的结果无法正确按照原始相似度从高到低排序，高相似度的结果被错误过滤或排在分页结果之外。
排查步骤
- 登录FastGPT部署环境的PGvector数据库，从FastGPT控制台中获取向量查询的SQL执行日志。
- 在独立的SQL客户端中直接执行获取到的SQL语句，验证是否无法召回预期的目标文本。
- 查看FastGPT源码中向量查询的处理逻辑，确认是否存在先分页再乘以-1的排序步骤。
解决与验证
提供三种可行的解决方向：
- 将向量查询算法切换为余弦相似度，该算法是RAG场景中常用的相似度计算方式。
- 修复内积算法的排序逻辑，将乘以-1的操作移至SQL层面的排序步骤之前，确保排序基于完整的查询结果执行，避免分页影响最终的召回结果。
- 在FastGPT界面中新增向量算法的选择配置项，允许用户根据实际业务场景指定使用的相似度算法。
验证方法：完成配置修改或代码调整后，使用原本无法召回的问题进行测试，确认目标文本可以被正常召回，且排序结果符合预期。