题库检索更准了：Jev 用相关性打分过滤掉不搭边的习题

做智能题库时，检索精度一直是个痛点。向量库召回的候选题里总混着一些不搭边的，我原本用大模型逐条判断相关性，批量一跑成本和延迟都不理想。这一周我把相关性判断换成 Jev，检索质量和成本一起改善了。这篇讲清楚这个场景应用前后的差别：相关性判断怎么改、匹配成本降了多少、推荐精度怎么提升。文中对比为基于实测口径的方案性测算，非某平台真实数据，Jev 仍处早期访问阶段。

一、原来的链路：逐条用大模型判相关性

应用前，用户输入一道题目，向量库先召回多条候选试题，然后我用大模型逐条判断每条候选和目标知识点是否相关，过滤掉不相关的再推送。

召回阶段的向量相似度只能保证"字面接近"，未必真的知识点匹配，所以这道相关性判断很关键。但用大模型逐条做，批量匹配的成本高、延迟大，题库一大就跑不动，不相关题目也容易漏过去混进推荐。

二、改造后的链路：Jev 给题干和知识点打匹配分

应用后，我把相关性判断交给 Jev。

召回的候选题逐条进 Jev，用 Score 给"题干与目标知识点的匹配度"打分，低于阈值的直接过滤，只把高匹配度的题目推送给学生。这一步毫秒级、单位成本极低，批量跑也扛得住。

下面这张图是应用前后的对照：

题库检索相关性打分：应用前后对比

三、价值对比：匹配成本与检索精度

收益体现在两处。

成本上，相关性判断从大模型换成 Jev，批量匹配的单位成本远低于逐条调用大模型，题库规模越大，省得越多。

精度上，Jev 在向量召回之后加了一道语义匹配打分，把"字面接近但知识点不搭"的题目过滤掉，推送给学生的习题更精准，检索质量明显提升。

四、这套方案的边界

Jev 在这里做的是"相关性打分"这个判断，不负责出题或讲解。匹配阈值需要用自己的题库数据去标定，不同学科、不同粒度的知识点，合适的阈值不一样。它也按字面理解题干，题目和知识点描述写得越清晰，匹配越稳。收益为测算口径，真实精度提升要用自己的题库验证。

五、最终效益

这套改造的效益是"用极低成本的匹配打分，换来更准的题库检索"。批量匹配成本随判断迁移到 Jev 而大幅下降，推送精度因为多了一道语义过滤而提升，学生拿到的习题更对路。把"这道题和知识点搭不搭"的判断交给 Jev，是提升题库检索质量里很划算的一步。