D2 三件事：

• 造 4 种"待检索文本"
  （只原文 / 拼元数据 / AI 上下文 / 都加）
• 建 4 个向量索引
  （本地 BGE-M3，免费）
• 20 条测试问题跑对比表

原始：51323

清洗后：49061

丢弃：2262

丢弃样本（前 10 条）：

[太短] '我们的愚蠢使我们遭毁灭。'

[太短] '卡吕普索'

[太短] '不死的天神和有死的凡人。'

[太短] '集云神宙斯'

[太短] '世界在变，永无定论。'

[太短] '你们要努力进窄门。”'

[太短] '高品质的反馈不可取代。'

[太短] '你注意不到的都不可能是你的。'

[太短] '只有你注意到的才可能是你的。'

[太短] '婴儿监视器。婴儿监视器让父母'

长度分布：最短 15 / 中位 68 / 最长 1286

已完成 → data/clean/variants.json

方案 A 示例：是什么导致了混乱、冲突、匮乏等各种局限的东西？ 是错误的思维方式导致的结果。

方案 B 示例：《硅谷禁书1世界上伟大的24堂励志课》/ 第一课 引爆你的内在能量 / 文学-外国文学 | 是什么导致了混乱、冲突、匮乏等各种局限的东西？ 是错误的思维方式导致的结果。

python3 -c "import jsonrows = json.load(open('data/clean/variants.json', encoding='utf-8'))json.dump(rows[:5000], open('data/clean/variants_small.json','w', encoding='utf-8'), ensure_ascii=False)print(f'已生成 {len(rows[:5000])} 条小样本')"

预计时间：

• 首次下载 BGE-M3 模型：10–20 分钟（约 2GB）
• 5000 条 × 2 个索引 = 1 万次嵌入：约 5–10 分钟（Mac CPU）

总共 20–30 分钟。

每天都有一个最折腾的步骤：今天是命中率。

还没完。。

good job！

鸣谢：

新一代通用向量模型BGE-M3：一站式支持多语言、长文本和多种检索方式 

免费模型，对文本大语言模型检索增强（RAG）非常友好：

https://hub.baai.ac.cn/view/34816