语义改写与分类重排：AI 检索跨越字面匹配与意图偏移的关键解法

值得借鉴其“改写+重排”的 AI 交付架构，精准解决了向量相似度无法区分同名异义和意图偏移的硬伤；不该照搬其完全免费无登录的模式，缺乏变现切口将难以覆盖哪怕极低的 API 成本与持续运维投入。

以下内容有原文引用支撑；收入与成效如为作者自述，不等于独立审计。

1. F01

   115,817 个社区名，1,159 次请求，耗时 57 分钟，总共 30 MB 语料

   核对原文 [S1]

   名字。名字有了，但没有任何描述——地图上只有点，没有文字。 于是先做了一轮补充，给每个社区补上简介： 115,817 个社区名， 1,159 次请求， 耗时

2. F02

   嵌入模型：@cf/baai/bge-m3。选它主要因为多语言——用中文描述需求，能直接匹配英文的社区简介

   核对原文 [S1]

   第二步：灌进向量库 嵌入模型 ： @cf/baai/bge-m3 。选它主要因为 多语言 ——你用中文描述需求，能直接匹配英文的社区简介，不需要先翻译一遍。

3. F03

   解法是加一步改写：先让模型把“我的目的”翻译成“社区的自我介绍”，再拿改写后的文本去检索

   核对原文 [S1]

   ：先让模型把"我的目的"翻译成"社区的自我介绍"，再拿改写后的文本去检索。 原文：我想给我的 B2B SaaS 工具找早期付费用户 ↓ 改写：A

4. F04

   这种判断需要的不是“像不像”，是“是不是”。所以接了流行的 jev — 给它一个问题和若干选项，它返回概率分布

   核对原文 [S1]

   这种判断需要的不是"像不像"，是"是不是"。所以接了流行的 jev — 给它一个问题和若干选项，它返回概率分布。 用法很直白， 一次请求搞定 ： {

5. F05

   一次请求约 810 token，jev 是 $0.042 / 百万输入 token，算下来 $0.000034 一次搜索，3 万次搜索一个月 $1

   核对原文 [S1]

   是 $0.042 / 百万输入 token（输出免费），算下来 $0.000034 一次搜索，3 万次搜索一个月 $1。 最终的链路 用户："我想给我的

这一部分将案例转化为可测试的创业假设，不能视为该公司已披露的经营结果。

先验证最脆弱的假设，再决定是否开发。以下阈值是实验建议，需要结合可触达客户和实际预算调整。