在大多数 RAG 项目里，大家更关注 LLM，而不是检索本身。但真实业务里，命中率的 1% 提升常常决定答案是否“有依据”。这篇文章把模型固定住，只优化“检索链”：在统一数据与指标下，对比 BM25、bge-m3、E5，并加入 Cross-Encoder 重排序。我们给出三套可落地配置（低算力 / 均衡 / 效果优先），附带最小可运行代码与参数表。读完你能立即把自己的 RAG 命中率拉满到一个稳定区间。