Ch30: 向量库适配器——接口、多租户 filter 与换模重建

Part 8 · 前置：Ch29 docparser · 后续：Ch31 Wiki 对比：Ch19 AnythingLLM 适配器

结论先行：WeKnora 支持多向量后端（Milvus/Qdrant/pgvector/…）靠 VectorStore 接口 + 配置 driver——加库 = 新 adapter，不改 RRF/Rerank。大师必会：kb_id 隔离 filter、换 embedding 维度必须全量 re-embed、ANN 参数对延迟/Recall 的 trade-off。

一、日常类比

向量库像不同品牌的仓库货架：货（chunk 向量）规格（维度）必须和货架层间距匹配。换 embedding 模型等于换箱子尺寸——必须 整库重摆，不能混放 768 维与 1536 维。

二、接口心智模型

type VectorStore interface {
    Upsert(ctx context.Context, vectors []VectorRecord) error
    Delete(ctx context.Context, ids []string) error
    Search(ctx context.Context, query []float32, topK int, filter Filter) ([]Hit, error)
}

方法	失败模式
Upsert	维度不匹配 → 写入失败或 silent truncate
Delete	doc 更新未删旧向量 → 双份召回
Search	filter 漏 kb_id → 跨库泄漏

三、读代码三步

rg -n "type VectorStore interface" --glob '*.go'
rg -n "Milvus|Qdrant|pgvector|chroma" internal/ pkg/ -g '*.go'
rg -n "kb_id|KnowledgeBaseID" internal/ -g '*vector*'

找 interface 定义与 NewVectorStore(config) 工厂
选一个 driver（如 qdrant）读 Search 如何拼 filter
看 config/env 如何选择 driver name（Helm values）

四、与检索栈关系

向量路只是 Ch24 三路之一：

语义失真（#6）→ 不能砍 BM25，见 Ch43
延迟（#9）→ ANN ef/nprobe 与 topK 联动 Ch43
实时更新（#13）→ Delete+Upsert 增量，见 Ch42

五、换 embedding runbook（竞赛常问）

步骤	动作
1	冻结写入，记录旧 model 名与维度
2	新 collection 或新 index prefix
3	全量 re-embed（成本 ≈ chunk 数 × API 单价）
4	双读验证 smoke-10
5	切换读路径，删旧 index

见 lab/corpus/faq-version-conflict.md「8 vs 10 库」— 向量库个数与 embedding 维度是不同问题。

六、贡献方向

新 backend adapter（跟官方 issue）
filter 回归测试（kb A 不应检出 kb B）
同 corpus 对比两 ANN 后端 P99 延迟表

章末自检

解释 kb_id filter 对多租户的意义
说清换 embedding 为何必须重建索引
在仓库报出 VectorStore 实现文件名 ≥1 个