Embedding向量索引模型迁移
Embedding 模型迁移方案：双索引验证后再切流量
降低向量维度、分布和检索效果变化带来的知识库中断风险。
关键词Embedding向量索引模型迁移检索质量
LA
Embedding 模型迁移方案：双索引验证后再切流量
Embedding实操方法与验收标准LondAI 内容团队
降低向量维度、分布和检索效果变化带来的知识库中断风险。
先看清 Embedding 的问题边界
更换 embedding 模型通常需要重新生成向量，旧向量与新查询向量不能随意混用。直接覆盖索引会失去回滚能力。
落地方法与执行顺序
建立新索引并保留旧索引，使用同一文档版本完成全量向量化。对标注问题集分别查询两套索引，比较召回、延迟和存储成本。
常见误区与安全边界
重新向量化期间要处理新增和修改文档，否则新索引完成时可能已经落后。可记录变更序列，在全量构建后补跑增量，再进入双读验证。
验收标准与复盘依据
新索引先承接影子查询，再灰度读取。切换后保留一段回滚窗口，并监控无结果率、引用准确性和索引更新延迟。