第一步：先确认问题出在哪一层
问题大概率出在 **「文档分块」或「向量库入库」** 环节。
1. 先检查分块文件 processed_chunks.jsonl
打开这个文件，看看里面有没有数据：
- 有没有 JSON 格式的分块
- 每个分块的
text字段里，有没有 "JVM"、"RAG" 相关的内容 - 分块数量是不是和你上传的 PDF 页数对应
上传的新文档 → 只在内存里生效 → 没有写入到本地文件 processed_chunks.jsonl
找到 add_documents 方法:
python
def add_documents(self, new_chunks):
"""向混合检索器中添加新文档分块"""
# 1. 添加到内存
self.chunks.extend(new_chunks)
with open("processed_chunks.jsonl", "a", encoding="utf-8") as f:
for chunk in new_chunks:
f.write(json.dumps(chunk, ensure_ascii=False) + "\n")
# 2. 添加到向量库
documents = [chunk["text"] for chunk in new_chunks]
metadatas = [chunk["metadata"] for chunk in new_chunks]
ids = [chunk["id"] for chunk in new_chunks]
self.collection.add(
documents=documents,
metadatas=metadatas,
ids=ids
)
# 3. 重建BM25（现在有这个方法了）
self.build_bm25_index()
print(f"✅ 成功添加 {len(new_chunks)} 个文档分块")重启后端，重新上传文档，可以看到 processed_chunks.jsonl文档有更新
上传文档时后端打印日志，报错信息如下：
问题分析
- 写入问题已解决 ：
processed_chunks.jsonl里已经有了19.JVM 手册.pdf的分块数据，说明上传功能已经正常工作。 - 新问题：PDF 解析器报错 ：
MuPDF error说明你当前使用的 PDF 解析库损坏或版本不兼容，导致部分 PDF 解析失败，文本乱码（看你截图里的text字段，有大量重复的JVMJVMJava，这就是解析失败的乱码）。 - 检索不到的原因：因为解析出来的文本是乱码，向量模型无法匹配你的查询，所以一直返回 "没有找到相关信息"。
首先，替换别的文档试试。
解决。
第二步：分块文档中存在，但是仍然查不到
问题出在混合检索的得分过滤 ：hybrid_search函数中，对语义检索和 BM25 的得分进行了加权融合，但如果：
- 语义相似度得分太低（比如低于 0.5）
- BM25 的得分也不高
- 融合后的结果被过滤掉了
就会出现 "明明有文本，但检索结果为空" 的情况
步骤 1：降低检索过滤门槛，强制返回所有 Top-K 结果
打开 rag_core.py，找到调用hybrid_search的地方，改成只用语义检索，并取消过滤：
python
def query(self, question, top_k=5, stream=False, max_context_tokens=12000):
processed_question = self._preprocess_query(question)
if not processed_question:
return "请输入有效的问题。"
# 关键：改成只用语义检索，并且强制返回所有结果，不做过滤
retrieved_docs = self.retriever.semantic_search(
query=processed_question,
top_k=top_k
)
# 强制打印检索结果，方便调试
print(f"🔍 检索到的文档数量：{len(retrieved_docs)}")
for i, doc in enumerate(retrieved_docs):
print(f" [{i}] 得分：{doc['score']:.4f} | 文本：{doc['text'][:50]}...")
# 即使得分低，也不直接返回"无相关信息"，而是继续处理
if not retrieved_docs:
return "抱歉，知识库中没有找到相关信息，无法回答您的问题。"
# 后续上下文处理代码不变...步骤 2：修复 BGE 模型离线加载问题
之前的 BGE 模型是离线加载的，很可能因为路径或版本问题，导致向量生成失败，所有文本的向量都变成了随机值，相似度极低。
-
临时改成在线模式，把
hybrid_retriever.py开头的环境变量注释掉：# os.environ["HF_HUB_OFFLINE"] = "1" # os.environ["TRANSFORMERS_OFFLINE"] = "1" -
重启后端，让它自动下载 BGE 模型，生成正确的向量。
-
再问问题，看控制台打印的
score是否都大于 0.5。
OK。