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
- 固定清洗、分塊和 embedding 模型版本,並寫入索引 manifest。
- 使用小型資料集驗證維度、空向量與重複文件處理。
- 選擇索引距離和召回數量,記錄建立參數與失敗批次。
- 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
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。
