Vector Database Engineer

向量数据库工程：Pinecone/Weaviate 与语义检索

domain：数据/sql｜name：vector-database-engineer｜status：stable agents：claude-code、codex、cursor、gemini-cli｜license：MIT

何时使用

• 搭建 RAG（检索增强生成）系统，需要为语义检索挑选并落地一个向量库。
• 在 Pinecone / Weaviate / Qdrant / Milvus / pgvector 之间做选型与架构决策。
• 构建语义搜索、推荐引擎、图像/音频相似度检索。
• 把向量检索从原型扩到百万～十亿级，并兼顾延迟与召回。
• 设计分块、元数据过滤（pre/post-filter）与混合检索（向量+关键词）的整体方案。

不该用的边界（避免与已有技能重叠）：

• 选嵌入模型、调分块、评估检索质量（P@k/Recall/MRR/nDCG） → 用 embedding-model-strategies，本条不替你定 embedding。
• 单纯调索引参数（HNSW 的 M/efSearch、量化 PQ、内存优化、基准压测）→ 用 vector-index-tuning。
• 设计向量+关键词的融合排序/重排（RRF、cross-encoder）→ 用 hybrid-search-retrieval，本条只决定「要不要上混合检索」。
• 关系型 schema/范式设计、分布式宽列/KV 建模 → 用 erd-schema-designer / nosql-distributed-db。

本条聚焦库选型 + 架构 + 端到端落地：把上面这些子能力串成一条可上线的检索管线。

步骤

1. 分析数据特征与查询模式
   - 向量规模量级（万 / 百万 / 亿）、写入是否频繁、是否多租户
   - 查询模式：纯语义？需元数据过滤？需混合检索？延迟 SLO 与召回目标

2. 选定嵌入模型（委托 embedding-model-strategies）
   - 维度按用例取 384–1536；维度决定存储/内存与库的配置

3. 设计分块与预处理管线
   - 带 overlap 的分块；清洗、去重、归一化；为每块保留可过滤的元数据

4. 选向量库 + 索引类型（见下方选型表）
   - 托管省心 vs 自托管可控；HNSW（默认，高召回/高内存）/ IVF / PQ（省内存）

5. 设计元数据 schema 以支持过滤
   - 把高选择性字段（tenant、date、category）做成可过滤元数据
   - 优先 pre-filter 缩小搜索空间，避免 post-filter 召回塌陷

6. 按需引入混合检索（委托 hybrid-search-retrieval）
   - 纯向量召回不足时，叠加关键词召回 + 融合排序/重排

7. 优化延迟/召回权衡（委托 vector-index-tuning）
   - 调 efSearch / nprobe；测 recall vs latency 曲线；按需量化

8. 上线监控与重建策略
   - 监控 embedding 漂移、召回退化；规划索引重建/再索引；缓存高频查询

指令

选型与硬约束：

• 托管 vs 自托管：Pinecone = 全托管、起步快、按量付费；Weaviate/Qdrant/Milvus = 可自托管、可控成本、支持本地化；pgvector = 已有 Postgres、向量量级不大（≤百万级）时复用现有库最省事。
• 维度即成本：维度直接决定存储与内存；亿级向量优先考虑量化（PQ/标量量化）压内存。
• 过滤要 pre 不要 post：先用元数据缩小候选集再做近邻搜索；post-filter 在高过滤率下会让 topK 召不满。
• 写便宜、读为王：嵌入与索引一次写多次读，重点优化检索路径与召回。
• 分块务必带 overlap：避免切断语义；块过大稀释相关性，过小丢上下文。
• 缓存高频查询：相同/相似 query 命中缓存，省一次嵌入+检索。
• 规划重建：embedding 模型升级或数据漂移时需重索引，提前设计灰度/双写切换。

各库速记：

• Pinecone：Serverless、namespace 做多租户、metadata filter 原生支持；无需运维。
• Weaviate：内置向量化模块、GraphQL、hybrid search（BM25+向量）一等公民。
• Qdrant：Rust、payload 过滤强、量化与磁盘索引成熟，自托管性价比高。
• Milvus：面向超大规模、丰富索引族（HNSW/IVF/DiskANN）、分布式部署。
• pgvector：在 Postgres 内做向量列，能和业务表 JOIN/事务，量级有限。

示例

向量库选型速查：

最小检索骨架（Pinecone，伪代码——嵌入交给 embedding 层）：

# 1. 上行：分块 + 嵌入 + 带元数据 upsert
chunks = chunk(doc, size=512, overlap=64)
vectors = [
    {"id": c.id, "values": embed(c.text),
     "metadata": {"tenant": c.tenant, "date": c.date, "source": c.src}}
    for c in chunks
]
index.upsert(vectors=vectors, namespace=tenant)

# 2. 检索：pre-filter（元数据）+ 向量近邻 + topK
res = index.query(
    vector=embed(user_query),
    top_k=8,
    namespace=tenant,
    filter={"date": {"$gte": "2025-01-01"}},   # pre-filter 缩小搜索空间
    include_metadata=True,
)

上线前核对清单：

[ ] 查询模式覆盖：纯语义 / 过滤 / 混合 是否都有对应方案？
[ ] 维度与成本：向量维度 × 数量的内存/存储预算算过了？是否需量化？
[ ] 过滤策略：高选择性字段已建为可过滤元数据，且走 pre-filter？
[ ] 召回 vs 延迟：efSearch/nprobe 调过，recall 与 P99 都达标？
[ ] 多租户：namespace / payload 隔离是否到位？
[ ] 漂移与重建：embedding 升级、数据漂移的再索引方案就绪？
[ ] 缓存：高频 query 是否有缓存层？

注意事项

• 本条是选型与架构层，嵌入/分块评估、索引参数细调、融合重排请下钻到对应技能，别在这里重复造。
• post-filter 在高过滤比例下会让 topK 召不满——优先 pre-filter；做不到时把 topK 放大再过滤。
• 维度选择牵一发动全身：384–1536 按用例定，先和 embedding 选型对齐再定库配置。
• 监控 embedding 漂移与召回退化；模型/数据更新时务必规划索引重建，别热切换硬扛。
• HNSW 召回高但吃内存；亿级或内存吃紧时考虑 IVF/PQ/磁盘索引换召回换延迟。
• 本条给的是心智模型与设计模式，不替代环境内的实测、压测与专家评审；缺关键输入（向量规模、查询模式、延迟/召回目标、一致性要求）时先停下来追问。

互见

• requires：无。
• related：embedding-model-strategies —— 嵌入选型与检索评估（本条的上游输入）；vector-index-tuning —— 索引参数与量化细调（本条选完库后的下钻）；hybrid-search-retrieval —— 向量+关键词融合排序；nosql-distributed-db、postgresql-optimization —— 非向量侧的建模/库优化对照。
• combines_with：rag-pipeline-builder、rag-implementation-workflow —— 把向量库接进完整 RAG 管线；embedding-model-strategies、hybrid-search-retrieval —— 组成「嵌入 + 检索库 + 混合召回」检索栈；data-pipeline-engineer —— 文档灌库/回填与增量索引由管道驱动。

本条采编自 sickn33/antigravity-awesome-skills（MIT 许可）。