L02-08 相似度阈值：别拍脑袋定 0.8

全局中心内容：阈值不是常数，是随模型、语言、文档类型变化的——必须用数据定。 全局讲解主线：三种度量 → 分数分布实验 → 阈值怎么定 → 拒答联动 → topK 与阈值的关系。

P1 · 产出页

中心内容：一条用真实数据画出来的分数分布曲线 + 一个可配置的阈值。

中心内容：余弦 / 内积 / 欧氏，选型错了分数就没有可比性。

页面内容：公式与适用场景；归一化的影响
讲解技巧
- 一句话讲清：余弦看方向、内积看方向+长度、欧氏看绝对距离。文本场景默认余弦。
- 点出陷阱：有些模型输出的向量没有归一化，这时候内积和余弦差别很大，换库后分数突变就是这个原因。
时长：4min

中心内容：跑一批真实 query，画出「答对」和「答错」两组的分数分布。

页面内容：分布直方图；两条曲线重叠区
讲解技巧
- 这是本节最有价值的一页：让学员看到两组分布是重叠的，因此不可能有一个完美阈值。
- 结论：阈值是在「漏召」和「误召」之间取平衡点，不是找正确答案。
时长：6min

中心内容：先定业务能接受的错误类型，再选阈值。

页面内容：宁可拒答 vs 宁可硬答的两种取舍
讲解技巧
- 给两个场景对比：医疗/法务问答「宁可拒答」（答错代价高），客服闲聊「宁可硬答」（拒答体验差）。
- 强调先问业务方这个问题，再动阈值，这是工程师最容易跳过的一步。
时长：5min

中心内容：两个参数要一起调，只调一个会互相打架。

页面内容：topK=5 阈值 0.7 vs topK=20 阈值 0.7 的效果差异
讲解技巧
- 讲清顺序：先放大 topK 保证召回，再用阈值/rerank 收窄。
- 常见错误：topK=3 还加高阈值，结果经常一条都不剩，直接走拒答分支。
时长：5min

中心内容：阈值要放在配置里，且按场景分组。

页面内容：SimilarityProperties；按文档类型分别配置
讲解技巧
- 强调不要全局一个阈值：制度文档和闲聊文本的分数分布完全不同。
- 加一个启动校验：阈值必须在 (0,1) 区间且不超过 0.95，避免写错成 0.95 以上导致几乎全部拒答。
时长：5min

中心内容：阈值过滤后为空 ≠ 模型不知道，是要走拒答分支。

中心内容：换模型/换库后，阈值必须重新校准。