向量索引只是候选召回层。要让结果可复现,需要固定 embedding 模型、预处理规则、距离度量和索引参数,并把它们写入索引元数据。
核心概念
同一模型输出的向量才可直接比较。索引记录模型标识、维度、归一化方式和构建时间;变更任一项都应新建索引版本,而不是原地混写。
可运行示例
import math
def cosine(a: list[float], b: list[float]) -> float:
dot = sum(x * y for x, y in zip(a, b))
na = math.sqrt(sum(x * x for x in a))
nb = math.sqrt(sum(y * y for y in b))
return dot / (na * nb) if na and nb else 0.0
assert round(cosine([1, 0], [1, 0]), 3) == 1.0
操作步骤
- 固定清洗、分块和 embedding 模型版本,并写入索引 manifest。
- 用小数据集验证维度、空向量和重复文档处理。
- 选择索引距离与召回数量,记录构建参数和失败批次。
- 使用离线问题集比较召回率与延迟,再决定是否引入近似索引。
适用场景
适合中小规模知识库和需要版本化重建的生产管线。
常见问题
是否必须使用向量数据库? 不一定,小规模数据可用 SQLite 或内存索引验证流程。
换 embedding 模型能复用旧索引吗? 通常不能,需新建版本并重新评测。
召回数量越多越好? 过多会增加噪声和上下文成本,应由评测集决定。
官方参考
最后核对日期:2026-11-16。版本、接口和安全边界以链接的官方资料为准;本文不虚构性能或费用结论。
