向量检索如何处理模型档案、范围与缓存

本文属于 Memory Center：AI 编程上下文与记忆系统工程实践，第 18 篇，位于“检索与证据组合”模块。案例背景统一采用实际开发项目；复现步骤使用脱敏教学样例，不代表特定生产事故。

从实际问题出发

同一段文本被反复索引时，再次请求嵌入模型会浪费时间。可缓存的前提是“同一个输入和同一种模型语义”，不能只按文本哈希忽略模型档案。

缓存键表达计算身份

模型配置、维度与输入内容共同决定向量含义。缓存键应把这些条件纳入身份，模型切换后不能把不同空间的向量混用。缓存命中只节省计算，不会自动证明当前索引已按新设置重建。

图中展示的是本篇关注的职责和顺序。正常流程之外，还要结合下面的源码与实验检查失败分支；它不是对某次线上调用的运行时追踪。

设置与发布分开

项目可关闭向量或仅向量化知识，保存范围设置不应悄悄触发高成本索引。扩大范围后需要重建；在途任务还必须检查配置是否变化。缓存本身也有容量和损坏处理责任。

缓存身份可以怎样验证

# 教学示意：不是项目实际缓存格式
import hashlib
import json
def teaching_key(profile, text):
    data = json.dumps([profile, text], ensure_ascii=False).encode()
    return hashlib.sha256(data).hexdigest()
assert teaching_key('model-a', '相同文本') != teaching_key('model-b', '相同文本')

真实实现还要处理维度、返回值合法性、存储格式和预算。这个小例子只解释一个原则：缓存键必须覆盖所有会改变计算结果的输入。

关键源码与阅读方法

源码基线为 Memory Center 6e90553（文档标注 5.0.0b24）。定位：memory_center/platform/embedding_cache.py，函数 key_for，起始行 104。

以下为当前基线中的函数代码；依赖项目模块，不能作为独立脚本执行。

    def key_for(self, profile: str, text_hash: str) -> tuple[str, str]:
        """返回 ``(内容寻址键, 分片名)``；分片名是键的前缀，便于人工核对。"""
        key = cache_key(self.namespace, str(profile), str(text_hash))
        return key, key[:SHARD_CHARS]

阅读时先找输入由谁提供，再区分纯计算、读取和写入；遇到异常或提前返回，追问调用方会得到什么，以及已有状态是否仍然有效。上面的代码只证明展示范围内的实现，跨模块行为应继续查看调用处和相应测试。

用一个小实验核对设计

建议在独立临时目录和隔离数据中操作，使用虚构的接口、文档与项目名称。

1. 对相同文本和相同档案生成键。
2. 改变模型档案再生成。
3. 切换项目范围并检查重建提示。

**要核对的结果：**重复输入应能复用，不同模型档案必须隔离，关闭向量后关键词能力仍有明确行为。

可把观察记录为下表；没有执行的项写“未执行”，不能用设计预期冒充实测结果。

核对项	应保留的证据
使用条件	源码版本、配置、输入与项目范围
正常行为	实际返回、来源位置或状态变化
关键失败分支	错误码、可见结果与原状态是否保留
结论范围	已覆盖、未覆盖和需要进一步验证的条件

适用边界与继续阅读

本篇以静态源码与项目设计为依据，给出可执行的核对方法，未据此宣称已经完成新的性能或生产环境测试。不同版本的入口、默认值和底层实现可能变化，应先核对当前合同，再把方法用于自己的实际开发项目。

理解这一节后，可以回到专题总导航，沿同一模块继续阅读；顺序学习时使用专栏内的上一篇和下一篇。涉及具体技术选择，应连同本篇的代价与限制一起采用。