向量嵌入工程指南：模型选型、语义检索评测与安全迁移

向量嵌入（Vector Embedding）是用于比较文本、图像、音频、实体等数据的学习型数值表示。它支撑语义搜索、推荐、聚类和 RAG，但单个向量不是稳定接口。向量含义取决于生成它的模型、Revision、任务模式、预处理、维度、归一化和距离函数。

本文只负责工程生命周期：模型选型、检索评测、索引、安全和迁移。术语页承担简明定义；语义搜索指南承担搜索系统设计；向量数据库指南承担存储引擎选型。

直接回答

生产级 Embedding 系统是一份版本化的转换与检索契约：

只有属于兼容向量空间的向量才能比较。相似度分数不是概率，不是全局通用相关性阈值，也不能证明源文档有权被当前用户访问。完整契约必须作为数据保存，不能隐藏在 SDK 默认值中。

向量嵌入如何工作

嵌入模型学习一个映射函数，把输入转换为固定长度向量，使训练目标关心的关系可以在该空间中度量。模型不会保留源数据的所有属性，而是压缩特定信号；因此相关性、语言覆盖、领域行为和失败模式都受训练数据与任务设计影响。

静态、上下文与检索嵌入

BERT 的基础 Hidden State 不会自动成为高质量句子检索向量。Sentence-BERT 通过 Bi-encoder 训练结构生成可以独立计算、再做相似度比较的句向量。现代检索模型在此基础上加入任务指令、非对称 Query/Document 编码、多语言训练或多种表示。

对称任务与非对称任务

语义相似度与信息检索不是同一目标。对称任务中的两个输入角色相同，例如比较两句是否互为改写；非对称检索则要求一个短问题找到一段更长、真正回答问题的内容。

Google Embeddings 官方文档通过 RETRIEVAL_QUERY、RETRIEVAL_DOCUMENT 和 SEMANTIC_SIMILARITY 等 Task Type 明确区分这些目标。其他模型可能使用 Prompt、Prefix，或单独的 encode_query / encode_document 方法表达同一契约。建立索引和处理查询时，必须持续遵循目标模型的文档约定。

相似度函数也是契约的一部分

余弦相似度、点积和欧氏距离只有在归一化满足特定条件时才会产生等价排序。

对向量 x 和 y：

cosine_similarity(x, y) = (x · y) / (||x|| ||y||)
dot_product(x, y)       = x · y
euclidean_distance(x,y) = ||x - y||₂

两个非零向量都完成 L2 归一化后，余弦相似度等于点积，欧氏距离平方则等于 2 - 2 * cosine_similarity，所以在精确计算下排序一致。未经归一化时，向量模长会改变点积和欧氏距离排序。

应使用模型推荐的距离函数，并为索引配置匹配的 Operator。OpenAI 当前指南在文本搜索中使用余弦相似度，并要求手工截断维度后重新归一化；这只是该 Provider 的具体用法，不是所有模型的通用规则。即使 Provider 默认处理归一化，也应把它显式写入契约。

不要复制其他数据集的相似度阈值。模型、语言、Chunk、语料、任务和 Hard Negative 变化后，分数分布都会移动。阈值应从带标签样本校准，并为模糊分数保留拒答或升级路径。

定义可复现的 Embedding Contract

每条向量都应保存足够信息，使系统能够复现、比较、迁移和删除：

{
  "sourceId": "policy-42",
  "sourceVersion": "sha256:...",
  "chunkId": "policy-42#section-7",
  "tenantId": "tenant-acme",
  "embeddingContract": {
    "modelId": "provider/model-name",
    "modelRevision": "immutable-revision",
    "task": "retrieval_document",
    "preprocessingVersion": "chunk-v4",
    "dimensions": 768,
    "normalization": "l2",
    "distance": "cosine"
  },
  "indexedAt": "2026-01-15T09:30:00Z",
  "accessPolicyVersion": "acl-v12"
}

最小契约包括：

• 不可变模型 Revision，而不是可漂移的 Alias
• Query / Document 的任务模式或指令
• Tokenization、清洗、分块和截断版本
• 输出维度与 Dtype
• 归一化方式与距离函数
• 源内容哈希和生命周期状态
• 租户、Owner 和访问策略引用
• 索引代次和摄取时间

这不是可选的运维元数据。缺少契约时，重建任务无法判断哪些向量已经过期，查询服务可能悄悄使用错误模型，数据删除也无法证明所有派生记录已经清理。

如何选择 Embedding 模型

不存在对所有任务都最优的向量嵌入模型。MTEB 原论文横跨检索、重排、语义文本相似度、分类、聚类、Pair Classification、Bitext Mining 和 Summarization，结论之一就是没有单一方法统治全部任务。

公开 Benchmark 只用于筛选候选模型，最终选择必须来自真实负载。

不要把某一时点的模型排行榜复制进常青文章。排名、模型可用性、价格和硬件行为都会变化。可审计的选型记录应保存模型 Revision、数据集版本、评测指标、运行测量和最终决策。

构建检索评测集

Embedding 评测必须覆盖真实检索任务，而不是只比较句子相似度。先收集真实查询或经过授权的合成查询，再标注哪些文档与查询相关。

至少包含：

1. 直接关键词匹配和语义改写
2. 缩写、别名、拼写错误和低频实体
3. 答案不会重复问题措辞的问答
4. 关键词相似但实际回答不同问题的 Hard Negative
5. 业务涉及的中文、多语言和 Code-switching 查询
6. 权限受限文档及其预期排除结果
7. 语料中没有答案、应返回空结果的情况
8. 更新、删除和不同 Source Version 的内容

使用开发集调模型与索引参数，使用独立测试集完成最终比较。近重复文档不能跨集合泄漏。

检索指标

没有一个指标可以单独证明系统有效：

• Recall@k： 相关内容是否至少有一条进入候选集，适合评估重排之前的召回。
• MRR： 第一条相关结果出现得有多靠前。
• nDCG@k： 当相关性存在多个等级时，评估整体排序。
• Precision@k： 返回结果中有多少真正相关。
• 无答案准确性： 语料没有答案时，系统是否停止返回相似但错误的内容。
• 业务结果： 搜索、推荐或 RAG 回答是否基于有效证据完成任务。

编码延迟、检索延迟、索引构建时间、内存、存储和成本应与相关性分开测量。更快但无法召回必要证据的模型，不是优化。

可运行的本地评测

下面的 Sentence Transformers 5.x 示例评测真实召回行为，而不是只打印一串没有解释的向量。安装命令为 pip install "sentence-transformers>=5,<6" "numpy>=2,<3"。示例模型用于演示评测闭环，不代表对生产选型的推荐。

from __future__ import annotations

from dataclasses import dataclass

import numpy as np
from sentence_transformers import SentenceTransformer


MODEL_ID = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
# 生产环境必须固定经过批准的模型 Revision。


@dataclass(frozen=True)
class Document:
    id: str
    text: str


DOCUMENTS = [
    Document("refund", "商品购买后 30 天内可以申请退款。"),
    Document("password", "忘记密码时，请在账户安全设置中发起重置。"),
    Document("shipping", "国际配送通常需要经过海关处理。"),
    Document("invoice", "电子发票可以从账单历史页面下载。"),
]

QUERIES = {
    "q1": ("订单最晚多久可以退？", {"refund"}),
    "q2": ("报税用的购买凭证在哪里下载？", {"invoice"}),
    "q3": ("忘记登录密码怎么办？", {"password"}),
}


def evaluate_recall_at_k(k: int = 2) -> float:
    if k < 1 or k > len(DOCUMENTS):
        raise ValueError("k 必须在 1 和文档数量之间")

    model = SentenceTransformer(MODEL_ID)
    document_vectors = np.asarray(
        model.encode(
            [document.text for document in DOCUMENTS],
            normalize_embeddings=True,
            show_progress_bar=False,
        )
    )

    hits = 0
    for query_id, (query, relevant_ids) in QUERIES.items():
        query_vector = np.asarray(
            model.encode(query, normalize_embeddings=True)
        )
        scores = document_vectors @ query_vector
        top_indices = np.argsort(-scores)[:k]
        retrieved_ids = [DOCUMENTS[index].id for index in top_indices]
        hit = bool(relevant_ids.intersection(retrieved_ids))
        hits += int(hit)
        print(f"{query_id}: top{k}={retrieved_ids}, hit={hit}")

    return hits / len(QUERIES)


try:
    recall = evaluate_recall_at_k(k=2)
    print(f"Recall@2={recall:.3f}")
except Exception as error:
    raise RuntimeError(f"Embedding 评测失败: {error}") from error

这个 Fixture 只用于展示最小闭环。生产评测需要读取版本化 Query-Document 标注，记录模型 Revision，并使用置信区间或逐查询回归分析比较候选系统。不能用同一组样本同时调参和批准发布。

检索架构：精确、ANN、混合与重排

Embedding 只是检索信号之一，不等于完整搜索系统。

Sentence Transformers 官方文档给出的常用结构是 Retrieve-and-Rerank：Bi-encoder 或关键词系统先召回候选，再由 CrossEncoder 联合计算 Query 与候选。候选阶段必须保证足够的 Recall@k，因为重排器无法找回从未进入候选集的相关文档。

Google BigQuery 和 pgvector 都同时提供精确与近似搜索路径，这也说明专用向量数据库并非前置条件。优先选择能满足过滤、一致性、规模、恢复和运维要求的最简单存储。

权限感知的 pgvector Schema

下面的结构把 Embedding Contract 与向量一起保存。固定的 vector(384) 只属于当前索引代次；维度不同的模型应建立独立代次或表。

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE document_embeddings_v1 (
  tenant_id text NOT NULL,
  document_id text NOT NULL,
  chunk_id text NOT NULL,
  source_version text NOT NULL,
  model_id text NOT NULL,
  model_revision text NOT NULL,
  preprocessing_version text NOT NULL,
  access_groups text[] NOT NULL,
  embedding vector(384) NOT NULL,
  PRIMARY KEY (
    tenant_id,
    document_id,
    chunk_id,
    model_id,
    model_revision,
    preprocessing_version
  )
);

CREATE INDEX document_embeddings_v1_tenant
  ON document_embeddings_v1 (tenant_id);

CREATE INDEX document_embeddings_v1_access_groups
  ON document_embeddings_v1 USING gin (access_groups);

CREATE INDEX document_embeddings_v1_embedding_hnsw
  ON document_embeddings_v1
  USING hnsw (embedding vector_cosine_ops);

SELECT document_id, chunk_id, source_version,
       1 - (embedding <=> $3::vector) AS cosine_similarity
FROM document_embeddings_v1
WHERE tenant_id = $1
  AND access_groups && $2::text[]
ORDER BY embedding <=> $3::vector
LIMIT $4;

该 Predicate 只是示例，不是完整授权边界。必须由可信服务确定租户身份，使用数据库 Row-Level Security 或等价服务策略，并禁止客户端直接声明可访问组。

近似索引可能只扫描部分候选后再应用过滤，导致符合租户或元数据条件的结果不足。必须用真实 Filter 评测 Recall；再按基数选择分区、Partial Index、Iterative Scan，或扩大重排前候选集。

维度与存储规划

维度更高不等于效果更好。维度属于模型训练与输出契约，不能通过比较无关模型的数字大小推断质量。

稠密浮点向量的基础容量估算为：

vector_bytes = item_count * dimensions * bytes_per_element

完整预算还要加上 ID、Metadata、索引图或质心、Allocator 开销、副本、快照、WAL，以及迁移期间并存的旧索引代次。

只有模型经过相应训练并明确支持时，才能使用原生缩短能力。例如 OpenAI 当前第三代 Embedding 模型提供基于 Matryoshka 类训练的 dimensions 参数。这不意味着其他模型也可以任意截断。

PCA 是另一套需要学习的后处理变换。它需要代表性拟合数据、持久化 Projection Version、归一化规则、评测和全量重建索引。旧版文章曾用 6 条样本拟合 256 个 PCA Component，这段代码无法运行，因为 PCA Component 数不能超过样本可用秩。

量化可以减少存储和索引内存，也可能改变邻居排序。应把量化候选召回与全精度重排作为一套系统共同评测。

安全迁移 Embedding 模型

不能把不同 Embedding Contract 的向量混入同一个搜索空间。安全迁移使用并行索引代次：

1. 冻结旧契约： 记录模型 Revision、任务模式、预处理、维度、归一化和距离函数。
2. 定义新契约： 写明迁移假设和批准指标。
3. 回填独立索引： 保留 Source ID、Version、访问策略和删除状态。
4. 双模型编码查询： 每个查询分别使用与各索引匹配的模型。
5. Shadow 对比： 不影响用户地比较质量、延迟、失败和 Top Result 变化。
6. Canary 流量： 给有限用户放量，并保留回滚。
7. 切换读写： 在批准的回滚窗口内保持旧索引只读。
8. 安全退役： 传播删除，清理旧向量与快照，并记录完成证据。

原地覆盖会失去结果对比和回滚能力。后台任务若使用可漂移的模型 Alias，也可能把多个向量空间写入所谓“新索引”。

安全与数据生命周期

Embedding 是派生数据，不是匿名数据。OWASP 把未授权访问、跨上下文泄漏、Embedding Inversion 和数据投毒列为 RAG 向量与嵌入风险。

向量化前后都要实施控制：

• 对数据源做身份校验，拒绝隐藏或不可信摄取内容。
• 每个 Chunk 保留 Tenant、Owner、分类和 Provenance。
• 在检索阶段执行授权，不能等文本返回后再过滤。
• 共享 ANN 行为可能造成不可接受的泄漏或 Recall 干扰时，隔离不兼容租户。
• 加密传输和存储，限制原始向量导出和批量近邻查询。
• 把源数据更新、Legal Hold、过期和删除传播到向量、索引、副本、缓存和评测 Fixture。
• 记录检索 ID 和策略决策，但不要把敏感正文复制到遥测中。
• 测试数据投毒、跨租户查询、过期 ACL、已删除内容和检索段落中的 Prompt Injection。

相关性不能授予权限。即使私有文档与查询高度相关，也不能进入未授权候选集。

常见失败模式

生产监控

质量、运行与生命周期指标应分别监控：

• Recall@k、MRR、nDCG@k、无答案准确性和 Reranker Uplift
• 下游回答有据性、点击、转化或问题解决结果
• 按模型与索引代次拆分的编码和检索 P50/P95 延迟
• 授权过滤前后的候选数量
• 索引覆盖率、Stale Vector 延迟、Embedding 失败和删除积压
• Query 与 Document 的语言和领域漂移
• ANN 相对抽样精确搜索的 Recall
• 存储、内存、吞吐、Provider Usage 与重建成本

除服务故障外，还要对契约不匹配告警。HTTP 请求成功但使用了错误模型 Revision，属于数据损坏事件。

参考资料

• Vector embeddings, OpenAI API：当前 API、归一化与模型原生维度缩短；Provider 行为可能变化。
• Choose an embeddings task type, Google Cloud：对称与非对称任务契约；Task Type 名称属于 Google 模型。
• Retrieve & Re-Rank, Sentence Transformers：Bi-encoder 候选召回与 CrossEncoder 重排。
• MTEB: Massive Text Embedding Benchmark, ACL Anthology：多任务证据表明模型质量不能压缩为一个通用排行榜。
• Sentence-BERT：可独立计算句向量的 Bi-encoder 架构。
• pgvector：PostgreSQL 中的精确/近似搜索、距离函数、过滤和索引权衡。
• LLM08:2025 Vector and Embedding Weaknesses, OWASP：访问控制、泄漏、反演与投毒风险。

总结

向量嵌入只有进入受控且经过评测的检索系统后才有价值。模型选择应来自真实任务证据；系统必须保存完整向量空间契约，评测精确与近似 Recall，按负载组合关键词检索和重排，并把授权与删除纳入索引生命周期。

长期稳定的工程单元不是一组浮点数，而是源数据、模型行为、检索策略、评测证据和生命周期之间的版本化关系。

相关资源

• 语义搜索工程指南 - 设计关键词、向量、混合与重排检索。
• 向量数据库指南 - 区分存储和索引引擎的责任。
• RAG 检索增强生成指南 - 把检索证据接入生成链路。
• RAG 分块策略 - 版本化生成 Embedding 输入的预处理阶段。
• 稠密检索术语 - 区分 Dense Retrieval、关键词检索与混合检索。