本文介绍了向量召回的最佳实践，包括对称召回和非对称召回的比较、知识增强、模型演进和选型、向量模型Finetune、召回Rerank以及多路融合的工程实践。微调可以提高Recall@N的准确率，Rerank可以结合倒排和向量召回的结果。LangChain框架可以简化LLM应用开发和多种LLM模型的集成流程。建议同时考虑QQ和QD召回，用QQ和QD语料对向量模型进行Finetune。多路召回对提升知识问答的覆盖能力有正向帮助。

本文介绍了使用embedding计算语料和提问的相似度，并在prompt中补充准确的上下文语料来获取更准确的回答。OpenAI提供了Completion API来实现问答功能，但用户不能修改模型，只能使用fine-tune生成自己的模型。为了让GPT-3根据自己的语料生成正确的答案，可以使用embedding接口计算相似度，并结合fine-tune训练输入输出，以提高问答质量。综上所述，使用embedding计算相似度并补充准确的上下文可以获得更准确的回答。