diff --git a/backend/app/model_services/rerank_services.py b/backend/app/model_services/rerank_services.py
index f170698..f0d5c3b 100644
--- a/backend/app/model_services/rerank_services.py
+++ b/backend/app/model_services/rerank_services.py
@@ -215,49 +215,56 @@ class LLMFallbackRerankService(BaseRerankService):
 
     def compute_scores(self, query: str, documents: List[str]) -> List[float]:
         """
-        使用 LLM 评估文档相关性并打分
+        使用 LLM 评估文档相关性并打分 - 一次调用给所有文档打分！
         """
         if not documents:
             return []
 
         logger.info(f"[LLMFallbackRerank] 开始为 {len(documents)} 个文档打分")
-        scores = []
-        for i, doc in enumerate(documents):
-            score = self._score_single_document(query, doc)
-            scores.append(score)
-            logger.info(f"[LLMFallbackRerank] doc[{i}] score={score:.4f}")
-
-        return scores
-
-    def _score_single_document(self, query: str, document: str) -> float:
-        """
-        让 LLM 为单个文档的相关性打分 (0.0-1.0)
-        """
-        prompt = f"""你是一个文档相关性评分专家。请评估以下文档与查询的相关性，返回一个0到1之间的分数：
+        
+        # 构建提示词，一次性给所有文档打分
+        docs_str = "\n".join([f"文档{i}: {doc[:500]}..." for i, doc in enumerate(documents)])
+        prompt = f"""你是一个文档相关性评分专家。请评估以下文档与查询的相关性，为每个文档返回一个0到1之间的分数：
 - 1.0表示完全相关
 - 0.0表示完全不相关
 
 查询: {query}
 
-文档: {document}
+{docs_str}
 
-请只返回一个数字，不要解释。"""
+请按以下JSON格式返回，不要解释：
+{{
+    "scores": [
+        0.95,
+        0.12,
+        ...
+    ]
+}}"""
 
         try:
             result = self.llm.invoke(prompt)
             content = result.content if hasattr(result, 'content') else str(result)
-            # 尝试提取数字
+            
+            # 尝试提取 JSON
+            import json
             import re
-            match = re.search(r'(\d+\.?\d*)', content)
-            if match:
-                score = float(match.group(1))
-                # 确保在 0-1 之间
-                return max(0.0, min(1.0, score))
-            # 如果没有找到数字，返回0.5作为默认值
-            return 0.5
+            json_match = re.search(r'\{[\s\S]*\}', content)
+            if json_match:
+                data = json.loads(json_match.group())
+                scores = data.get("scores", [])
+                # 确保分数数量匹配，且在0-1之间
+                if len(scores) == len(documents):
+                    scores = [max(0.0, min(1.0, s)) for s in scores]
+                    for i, score in enumerate(scores):
+                        logger.info(f"[LLMFallbackRerank] doc[{i}] score={score:.4f}")
+                    return scores
+            
+            logger.warning(f"[LLMFallbackRerank] 无法从LLM响应提取分数，返回默认值")
+            return [0.5 for _ in documents]
+            
         except Exception as e:
-            logger.warning(f"LLM 打分失败，返回默认分数 0.5: {e}")
-            return 0.5
+            logger.warning(f"[LLMFallbackRerank] LLM 打分失败，返回默认分数 0.5: {e}")
+            return [0.5 for _ in documents]
 
 
 class LLMFallbackRerankProvider(BaseServiceProvider[BaseRerankService]):