Vector Search Patterns 是一套用于实现语义相似度检索的实践模式集合，主要服务于检索增强生成（RAG）与智能查询场景。资料以代码示例和对照表的形式，展示了从嵌入生成到检索落地的完整链路。
用途 该模式集用于为应用加入语义相似度搜索能力，即根据含义而非关键词匹配来检索内容，并可作为 RAG 流程中的检索环节。
主要能力
- 嵌入生成：给出通过 HTTP 异步调用 OpenAI 嵌入接口（默认模型 text-embedding-3-small）的 Python 示例，返回文本对应的向量列表。
- 分块策略：以表格形式列出五种策略及其适用场景与块大小——固定大小（简单文档，500-1000 tokens）、基于句子（文章、随笔，3-5 句）、基于段落（结构化文档，自然断点）、递归（混合内容，层级切分）、语义（研究论文，主题边界）。并提供一个按句子切分、带重叠的 chunk_text 函数示例。
- 向量存储：分别给出三种方案的示例。ChromaDB 用于开发或小规模场景，展示持久化客户端、集合创建（余弦距离）、写入与带元数据过滤的查询。pgvector 用于生产环境或 PostgreSQL，展示启用扩展、建表（vector(1536) 维度）、创建 IVFFlat 与 HNSW 索引、相似度查询 SQL，以及 asyncpg 异步查询封装。FAISS 用于高性能本地检索，展示内积索引构建、L2 归一化、添加向量与搜索。
- 混合检索：给出向量检索与全文检索结合的 SQL 示例，通过 FULL OUTER JOIN 合并两路结果，并按 0.7 与 0.3 的权重计算综合得分。
- RAG 流程：给出 rag_query 示例，依次完成问题嵌入、检索相关分块、拼接上下文、调用 LLM 生成带引用的回答。
- 索引选型指南：按数据规模给出推荐索引与召回率、速度对照——小于 1 万用 Flat（精确，100% 召回）；1 万至 100 万用 HNSW（95-99%）；100 万至 1 亿用 IVFFlat（90-95%）；超过 1 亿用 IVF + PQ（80-90%，最快）。
- 反模式提示：列出应避免的做法，包括直接嵌入整篇文档（应先分块）、不做元数据过滤、忽略嵌入模型 token 上限、对所有内容使用固定分块、不做重排序（生产环境可用交叉编码器重排）、只存向量不存原文。
使用方式 资料以可复制的代码片段和 SQL 语句呈现，开发者可按需选用对应向量库的实现，替换其中的 API 密钥、连接串与维度参数后集成到自己的项目中。
适用场景 语义搜索、问答系统、文档检索、RAG 应用，以及需要在 PostgreSQL 中直接做向量检索或需要本地高性能检索的场景。
限制 资料未提供具体的安装命令、依赖版本、性能基准数据、收费信息或平台支持范围；示例中的模型名称、维度（1536）与权重（0.7/0.3）为示例值，实际使用需按自身环境调整。