向量数据库

数据模型与查询输出

一条记录通常包含id、向量、文本或对象引用、来源、时间、权限和分类元数据。查询输入为向量、Top-K和过滤条件，输出候选id、相似度分数与元数据。生产系统还要处理删除、版本和权限隔离。

ANN、HNSW 与 IVF

精确最近邻要比较大量向量，规模增大后成本很高。ANN用可控召回损失换速度。HNSW构建多层近邻图并沿图搜索；IVF先把向量分到若干聚类桶，查询时只探测部分桶。参数影响召回、延迟、内存和构建时间。

元数据过滤与一致性

租户、文档状态、语言和访问权限应在检索阶段过滤，不能仅在生成后隐藏。更新文档时要协调原文、分块、嵌入和索引版本；旧向量未删除会让过期片段继续被召回。

查询示例

查询“如何处理502”先生成向量，同时过滤 language=zh-CN、status=published、product=api。索引返回20个候选，再由重排器选择解释网关层故障的段落。返回结果必须保留source_url与chunk位置供引用。

选型维度

比较数据规模、写入和删除频率、过滤表达力、一致性、备份恢复、权限、可观测性和总成本。公开基准若数据分布与本业务不同，不能直接推断线上表现。

局限与评估

索引参数过于追求速度会降低Recall@K；过滤后候选不足、嵌入模型不匹配或分块破坏上下文都会造成漏检。评估需同时记录召回质量、P50/P95延迟、索引大小、更新可见时间和失败率。

写入与删除流程

文档进入系统后分配版本，切分并生成向量，再以批次写入。只有全部片段可查询后才切换active版本；失败批次可回滚。删除时按document_id移除所有片段，并验证过滤查询不再返回旧版本。

过滤与ANN的交互

先过滤还是先ANN会影响性能与召回。过滤条件很窄时，先在全局图搜索再过滤可能得不到足够候选；不同产品采用预过滤、后过滤或混合策略。选型测试必须使用真实租户和权限分布，而不只是无过滤向量基准。

备份和可观测性

备份不仅保存向量，还要保存模型版本、原始文档引用、chunk配置、索引参数和元数据Schema。监控查询延迟、候选不足、过滤命中、写入失败、索引构建时间和版本滞后；否则恢复后难以解释结果变化。

从需求到选型的验证流程

先用真实文档规模、写入频率、过滤选择性和查询并发建立测试集，再比较精确基线与ANN结果。分别测无过滤、窄过滤、多租户权限、删除后可见性和索引重建；记录Recall@K、P95/P99、候选不足率、内存、磁盘、写入可见时间与恢复时间。检查故障切换后版本和元数据Schema是否一致。产品演示中的单次毫秒数不能代表本站负载，公开基准也不能替代本地测试。向量库只负责候选检索，引用回源、权限校验和答案事实核验仍由上层系统完成。

权限与租户边界

查询必须携带服务端确认的租户和权限过滤，不能让模型自行生成权限条件。缓存键也包含权限上下文，管理操作保留审计记录；过滤行为未经压力测试时标为待验证。

常见问题