嵌入检索复赛：语义检索能否改变结论

作者延续此前实验（BM25 在改写请求上召回率仅 5%），在同一 100 个工具、200 个任务、四种描述条件与 k 扫描下，仅将检索器换成 Azure OpenAI 的 text-embedding-3-small 并按余弦相似度排序，评测脚本为 measure/eval_recall_embed.py。结果显示：词汇匹配条件下 @3 召回 91%–98%、@10 达 100%；改写（para）条件下 @3 为 59%–65%、@10 为 87%–98%，加入别名后 @3 提升至 99%。

AI推荐理由 可复现的检索对比实验：同一 100 个工具、200 个任务、四种描述条件与 k 扫描，仅把 BM25 换成 text-embedding-3-small 余弦相似度检索，并给出各条件下的召回率表。对工具检索/Agent 工具选择有直接参考价值，但为单一数据集与单一嵌入模型，结论外推需谨慎。