跳到主要内容

向量检索

1. 定义与边界​

向量检索把文本、图片、代码或其他对象编码为 embedding，再用相似度搜索找到语义相关内容。它解决“问法不同但语义相近”的召回问题。

向量检索不是完整 RAG。完整 RAG 还包括数据解析、切分、metadata、权限、重排、上下文组装、引用和评测。

2. 为什么重要​

BM25 擅长关键词匹配，但用户常用概念化、口语化或跨语言表达。向量检索能处理：

  • 同义词和改写。
  • 问题与答案之间的语义匹配。
  • 代码、文档、FAQ 的近似查找。
  • 多模态或跨语言检索。

3. 核心机制​

常见相似度：

  • cosine similarity。
  • dot product。
  • Euclidean distance。

大规模系统通常使用近似最近邻（ANN），例如 HNSW、IVF、PQ 等索引结构。

4. 工程实现​

def index_document(doc):
    chunks = split_document(doc)
    for chunk in chunks:
        vector = embedding_model.embed(chunk.text)
        vector_db.upsert(
            id=chunk.id,
            vector=vector,
            metadata={
                "document_id": doc.id,
                "source_uri": doc.uri,
                "section": chunk.section,
                "acl": doc.acl,
                "updated_at": doc.updated_at,
            },
        )

def retrieve(query, user):
    qv = embedding_model.embed(query)
    return vector_db.search(
        vector=qv,
        top_k=20,
        filter={"acl": {"$contains": user.group}},
    )

5. 生产实践​

  • embedding 模型、维度和距离函数要与索引配置一致。
  • metadata 是检索质量的一部分，不是附属字段。
  • 大库先 metadata 过滤，再向量搜索，避免越权和噪声。
  • 使用批量 embedding、缓存和增量索引控制成本。
  • 记录 embedding model version，模型升级时规划重建索引。
  • 对短查询使用 query rewriting 或混合检索弥补语义不足。

6. 常见反模式​

  • 只建向量库，不保存原文和 source metadata。
  • 不做权限过滤，依赖模型不泄露。
  • top-k 越大越好。
  • 文档更新后只更新主库，不更新向量索引。
  • 混用不同 embedding 模型生成的向量。
  • 用向量相似度当事实正确性分数。

7. 评测方法​

  • recall@k：目标 chunk 是否被召回。
  • MRR / nDCG：目标结果排序质量。
  • metadata filter hit rate。
  • 向量索引延迟和吞吐。
  • embedding 成本。
  • 索引新鲜度：文档更新到可检索的延迟。

8. 安全与治理​

  • 向量索引也包含敏感信息，删除和权限要与主库同步。
  • 近似检索不能绕过 ACL；权限过滤必须是硬条件。
  • embedding 可能泄露语义信息，高敏感数据需评估是否可向量化。
  • 对外部上传文档做恶意内容和提示注入标记。

工程化补强：架构与实现细节​

A. 与 Memory 的硬边界​

向量检索处理的核心对象是用 embedding 相似度召回语义相关 chunk 或对象。它的目标是把外部知识转化为可验证证据，而不是保存用户偏好或 Agent 经验。 Memory 可以影响“怎么服务这个用户、这个项目、这个流程”；RAG 只能回答“证据中是否支持这个事实”。

维度RAGMemory
数据来源外部文档、网页、代码、数据库、知识库对话、任务轨迹、用户偏好、历史经验
写入方式ingestion pipeline、同步任务、管理员上传互动后抽取、用户确认、后台总结
核心约束证据可追溯、权限过滤、引用准确状态延续、偏好复用、隐私最小化
典型失败召回错证据、引用不支持、上下文污染错误记忆持久化、越权画像、投毒
评测指标recall@k、nDCG、MRR、score drift、freshness lagmemory precision、task lift、staleness

B. 端到端 Pipeline​

本主题在总链路中的重点可以概括为：text normalize -> embed -> vector upsert -> ANN search -> metadata filter -> score normalize。

C. 索引数据结构​

{
  "chunk_id": "doc_2026_05_09#sec_04#chunk_003",
  "document_id": "doc_2026_05_09",
  "document_version": "v7",
  "source_uri": "s3://kb/product/manual.pdf",
  "source_type": "pdf|html|code|ticket|database",
  "title": "支付失败排查手册",
  "section_path": ["支付", "错误码", "超时"],
  "text": "...可用于回答的原文片段...",
  "span": {"page": 12, "start_char": 1840, "end_char": 2610},
  "metadata": {
    "tenant_id": "org_1",
    "acl": ["support", "engineering"],
    "created_at": "2026-05-01",
    "updated_at": "2026-05-09",
    "source_trust": "official_internal"
  },
  "retrieval": {
    "dense_vector_id": "vec_abc",
    "sparse_vector_id": "sparse_abc",
    "graph_node_ids": ["entity:timeout", "claim:retry-policy"]
  },
  "embedding_model": "text-embedding-3-large",
    "vector_version": "2026-05-09",
  "lineage": {
    "parser_version": "parser-2.1",
    "chunker_version": "heading-aware-1.4",
    "embedding_version": "emb-2026-05-09",
    "checksum": "sha256:..."
  }
}

没有 document_version、span、acl 和 lineage 的 RAG 索引，很难做引用、回滚、权限审计和 bad case 修复。

D. Indexing Pipeline 设计要点​

阶段关键决策常见坑
连接器增量同步、删除同步、权限同步只追加不删除，导致旧知识继续被召回
解析PDF 表格、代码块、标题层级、脚注丢页码和结构，引用无法定位
切分chunk 大小、overlap、父子块、表格整体性切断条款、代码函数或表格行
元数据tenant、ACL、时间、版本、来源可信度检索后才做权限过滤，已经泄露给模型
向量化embedding 模型、维度、批量、缓存模型切换后混用旧向量
索引vector、BM25/sparse、graph、rerank cache不记录索引版本，无法回归评测
回收删除、过期、重建、压缩向量残留和缓存残留

本文件建议的索引原则是：记录 embedding model、dimension、chunk_id、metadata、version 和删除标记。

E. 查询期策略​

查询向量化后先做 ACL/metadata 过滤，再取 top_k 并检查分数分布。查询期不要把“召回更多”当成唯一目标，而要控制证据质量、权限、时效和上下文预算。

def rag_query(user_query, user_ctx):
    plan = plan_retrieval(user_query, user_ctx)
    filters = enforce_acl(user_ctx, plan.filters)
    rewritten = rewrite_query(user_query, plan, metadata_schema=INDEX_SCHEMA)
    candidates = []
    for source in plan.sources:
        candidates.extend(source.search(rewritten, filters=filters, k=plan.candidate_k))
    ranked = rerank(user_query, candidates, features=["text", "metadata", "trust", "freshness"])
    evidence = pack_context(ranked, budget=plan.context_budget, diversity=True)
    answer = generate_with_evidence(user_query, evidence)
    return verify_citations(answer, evidence)

F. 引用与证据策略​

向量命中必须回源到原文 chunk，不能引用 embedding 或摘要本身。引用不是格式问题，而是 evidence contract：模型只能用传入证据支持关键断言。

断言类型证据要求不满足时动作
简单事实至少一个直接 chunk 支持给出不确定或拒答
跨文档综合多个 chunk 覆盖关键维度明确证据范围和缺口
高风险建议官方/内部可信来源优先要求人审或给出保守答案
时间敏感信息来源版本和更新时间足够新触发刷新或说明可能过期
权限受限内容用户有权查看原文不引用、不泄露摘要

G. 失败模式与修复​

失败模式早期信号修复动作
只依赖语义相似度，漏掉错误码、ID、精确术语和否定条件答案流畅但找不到支持片段加 citation verifier 和无证据拒答
chunk 边界错误命中片段缺上文或表格列调整切分器、加入 parent expansion
召回偏科概念问答好，错误码/ID 查询差增加 hybrid search 和字段 boost
top-k 污染上下文里半数以上无关rerank、diversity filter、query rewrite
权限绕过无权限文档出现在 trace服务端 ACL 前置过滤，索引按租户隔离
索引陈旧用户指出文档已更新增量同步、版本水位、freshness 监控
引用漂移引用存在但不支持断言claim-level citation check 和回源校验

H. 评测指标​

层级指标说明
检索recall@k、precision@k、nDCG、MRRgold span/doc 是否进入候选和前排
重排rerank lift、first relevant rank观察 reranker 是否真正改善上下文
上下文evidence coverage、token waste、duplication rate是否既覆盖证据又不浪费窗口
生成answer correctness、faithfulness、abstention accuracy答案是否正确且不编造
引用citation precision、claim support rate、broken link rate引用是否可打开且支持断言
安全prompt injection success、unauthorized recall、sensitive leakage外部内容和权限场景的红线
运维p95 latency、index freshness、cost/query、cache hit rate生产可用性和成本

I. 安全治理清单​

  • 检索内容是数据，不是指令；提示词中明确外部证据不能覆盖系统和开发者约束。
  • 权限过滤必须在检索前或索引层完成，不能依赖模型“不要使用”。
  • 对网页、用户上传文件和第三方文档做 prompt injection 扫描和来源可信度标记。
  • 高风险领域使用白名单来源、版本锁定、引用校验和无法支持时拒答。
  • 记录 query、filters、命中文档、分数、rerank 理由、上下文包和最终引用，支持审计。
  • 建立 bad case 回流：每个失败样本标注失败层级，并绑定索引版本、prompt 版本和模型版本。

9. 权威资料​