Vectorize 设计模式

# Vectorize 模式 ## Workers AI 集成 typescript // 生成嵌入 + 查询 const result = await env.AI.run("@cf/baai/bge-base-en-v1.5", { text: [query] }); const matches = await env.VECTORIZE.query(result.data[0], { topK: 5 }); // 传递 data[0]! | 模型 | 维度 | |-------|------------| | `@cf/baai/bge-small-en-v1.5` | 384 | | `@cf/baai/bge-base-en-v1.5` | 768 (推荐) | | `@cf/baai/bge-large-en-v1.5` | 1024 | ## OpenAI 集成 typescript const response = await openai.embeddings.create({ model: "text-embedding-ada-002", input: query }); const matches = await env.VECTORIZE.query(response.data[0].embedding, { topK: 5 }); ## RAG 模式 typescript // 1. 嵌入查询 const emb = await env.AI.run("@cf/baai/bge-base-en-v1.5", { text: [query] }); // 2. 搜索向量 const matches = await env.VECTORIZE.query(emb.data[0], { topK: 5, returnMetadata: "indexed" }); // 3. 从 R2/D1/KV 获取完整文档 const docs = await Promise.all(matches.matches.map(m => env.R2.get(m.metadata.key).then(o => o?.text()))); // 4. 使用上下文生成 const answer = await env.AI.run("@cf/meta/llama-3-8b-instruct", { prompt: `Context:n${docs.filter(Boolean).join("nn")}nnQuestion: ${query}nnAnswer:` }); ## 多租户 ### 命名空间 ( 50K 租户) bash wrangler vectorize create-metadata-index my-index --property-name=tenantId --type=string typescript await env.VECTORIZE.upsert([{ id: "1", values: emb, metadata: { tenantId: id } }]); await env.VECTORIZE.query(vec, { filter: { tenantId: id }, topK: 10 }); ## 混合搜索 typescript const matches = await env.VECTORIZE.query(vec, { topK: 20, filter: { category: { $in: ["tech", "science"] }, published: { $gte: lastMonthTimestamp } } }); ## 批量摄入 typescript const BATCH = 500; for (let i = 0; i < vectors.length; i += BATCH) { await env.VECTORIZE.upsert(vectors.slice(i, i + BATCH)); } ## 最佳实践 1. **传递 `data[0]`** 而非 `data` 或完整响应 2. **每批次 500** 个向量进行更新 3. **先创建元数据索引**再插入 4. **使用命名空间**进行租户隔离（比过滤器更快） 5. **使用 `returnMetadata: "indexed"`** 以获得速度与数据的最佳平衡 6. **处理 5-10 秒的异步变更延迟**