检索是决策：换掉 embedding 之后

检索这活，被定义成了决策问题，不再是相似度问题。

实验来自 Assaf Elovic 在 GPT Researcher 里的替换动作：把 embeddings 换成 Jev，二十八个研究任务上跑，两边对照。结果三项全胜。相关上下文多了百分之五十九，七十三对四十六；盲测里报告被选中的比例是十五比三；每份报告的成本一样。

GPT Researcher 现在默认跑 Jev，压根不再需要 embedding，搭法只留 LangChain 加 Tavily 加 Jev。

LangChain 的 Harrison Chase 转发时把标题改成了那句判断：retrieval is a decision problem, not just a similarity problem。这半句我认得很。相似度只管"像不像"，决策才管"这段该不该进上下文"，前面批决策那篇讲的把判断压成有界问题，这里是同一个动作落到检索上。

对做 RAG 的人，账很直接。同成本换五十九个点的相关性，白赚；而且省掉了向量库这一整套基础设施，运维面跟着薄了一层。

我的保留有两处。一是样本二十八个任务、集中在研究型检索，通用问答未必同幅；二是"默认不再需要 embedding"是项目自己的结论，换长尾场景还得自己试。

想验的照那三件套拼一遍，拿自己语料跑一轮，把相关性那栏记下来。