← 返回學習路線
章節 · 已發布

Embedding 與向量索引:從實驗到可重現檢索

選擇 embedding、索引距離與批次策略,建立可重建的向量索引。

來源: knowledge/p24-b/collection_6e8fbe1e8b1ea569a539e8a5/tutorials/rag-embedding-and-vector-indexing.mdRAG 知識庫工程
本章閱讀進度 0%學習路線進度 0% · 0/10 已完成章節繼續學習路線 →

向量索引只是候選召回層。要讓結果可重現,就要固定 embedding 模型、前處理規則、距離度量和索引參數,並將它們寫入索引中繼資料。

核心概念

同一模型產生的向量才能直接比較。索引應記錄模型識別碼、維度、正規化方式和建立時間;任一項變更都應建立新的索引版本,不要在原索引中混寫。

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

操作步驟

  1. 固定清洗、分塊和 embedding 模型版本,並寫入索引 manifest。
  2. 使用小型資料集驗證維度、空向量與重複文件處理。
  3. 選擇索引距離和召回數量,記錄建立參數與失敗批次。
  4. 使用離線問題集比較召回率與延遲,再決定是否引入近似索引。

適用情境

適合中小型知識庫,以及需要版本化重建的生產管線。

常見問題

一定要使用向量資料庫嗎? 不一定,小規模資料可以使用 SQLite 或記憶體索引驗證流程。

更換 embedding 模型後可以沿用舊索引嗎? 通常不行,需要建立新版本並重新評測。

召回數量越多越好嗎? 過多候選會增加雜訊與上下文成本,應由評測集決定。

官方參考

OpenAI Embeddings;Qdrant 文件。

最後核對日期:2026-11-16。模型和索引行為請以連結的官方資料為準。

相關實戰案例

知識實戰:RAG 索引藍綠切換與回滾知識實戰:SQLite 本機政策檢索 RAG

相關原始碼資源

原始碼Qdrant

延伸閱讀

知識RAG 企業知識庫:架構與落地實踐知識多模態 AI 管線:影像、文字與音訊的統一處理
產品中心 Demo · V0.3