这一块目前做的太粗糙了

3. 核心短板：Embedding 模型过于“复古”

位置： backend/services/vector_service.py
现状：

1
self._model_name = 'paraphrase-multilingual-MiniLM-L12-v2'

面试官点评： “这个模型是 2019-2020 年左右的产物了。在 2025 年（假设现在的时间点），它的语义理解能力、特别是对长文本和专业术语（如 ‘LoRA’, ‘PPO’）的表征能力，已经被新模型甩开几条街了。你的 RAG 检索质量上限被这个模型锁死了。”
优化方案：

  • 开源SOTA：换成 **BAAI/bge-m3**（支持多语言、长文本、稀疏检索混合）。
  • 闭源SOTA：直接调 OpenAI text-embedding-3-small 或 DeepSeek 的 Embedding 接口（如果有）。
  • 代码改动：只需要改一行 model_name，性价比极高。

4. 潜在雷区：PDF 解析器的鲁棒性

位置： backend/services/pdf.py
现状：

1
PDF_LIBRARY = "PyPDF2" # 或 "pdfplumber"

面试官点评： “学术论文通常是双栏排版（Two-Column Layout）。PyPDF2 这种基于流的解析器，经常会把左栏的一行和右栏的一行拼在一起，导致生成的文本逻辑错乱。LLM 读了这种‘乱序’的文本，生成的方案怎么可能靠谱？”
优化方案：

  • 工具升级：使用 **pymupdf (fitz)**。它不仅速度快（C++底层），而且支持按“文本块（Block）”提取，能较好地处理双栏问题。
  • 终极方案：接入 MinerU 或 Nougat 等基于视觉模型的解析工具（但这会增加部署成本，作为实习生项目可选）。