最后给一份我自己的清单,做完一个项目会照着过一遍。
数据建模
集合名用 ASCII,3~512 字符,语义清晰
id 用业务主键 + 后缀(doc_id#chunk_idx),支持重跑
metadata 只放过滤要用的短字段,正文放 documents
metadata 里记 embed_model、doc_id、chunk_index
集合 metadata 里写 description 和创建时间
嵌入
中文场景不用默认模型
生产环境 embedding_function=None,自己算向量
入库和查询用同一个 embedder(最好代码里就只有一个实例)
加了缓存和重试
自定义 EF 实现了 name/get_config/build_from_config 并注册
写入
用 upsert 而不是 add(支持重跑)
分批 500 左右
换模型 = 重建集合,动手前先备份
查询
能用批量查询就用批量
space 设成 cosine
include 只写要的字段
过滤后候选集小时改用 get + 暴力算
有相似度兜底逻辑
运维
生产用 HttpClient + 独立服务,不用 PersistentClient 多进程
客户端全局单例
服务只监听内网,反向代理做鉴权和 HTTPS
allow_reset=false
关掉遥测
定期备份,并演练过恢复
有心跳监控和延迟监控
版本锁定,升级前备份
质量
准备了 50+ 标注样本
测过 recall@k 和延迟
端到端跑过一遍真实业务流程