用途：在 Vercel 上开发向量搜索功能，围绕 Upstash Vector 做索引、语义检索与数据隔离。
主要能力：
- 索引创建与配置：在 Upstash Console 创建 Vector Index（名称、就近区域、Dense 类型），选择嵌入模型并获取 UPSTASH_VECTOR_REST_URL 与 UPSTASH_VECTOR_REST_TOKEN。
- 安装与初始化：安装命令 pnpm add @upstash/vector；通过 Index 类读取环境变量初始化客户端。
- upsert 与自动嵌入：当索引配置了嵌入模型时，直接传文本 data 即可自动嵌入，支持单条与批量写入，可带 metadata。
- 语义搜索：index.query 传入 data、topK（常见 5–10）、includeMetadata，返回 id、score、metadata。
- 命名空间：index.namespace("blog") 实现多租户或多领域隔离，支持 listNamespaces、deleteNamespace、按命名空间 reset。
- 索引操作：reset 清空、delete 单条或批量删除。
- 嵌入模型：Upstash 内置 BAAI/bge-large-en-v1.5（1024 维）、bge-base-en-v1.5（768 维）、bge-small-en-v1.5（384 维）、bge-m3（1024 维混合）；推荐 MixBread AI，需在 mixbread.ai 创建 API Key，并在创建索引时选择其作为嵌入模型。
- 常见模式：RAG（先检索 top-k 文档再与用户问题一起送入 LLM）、多租户命名空间搜索、分批批量写入。
使用方式：先创建索引并配置环境变量，再初始化客户端，通过 upsert/query 及 namespace 完成写入与检索；Vercel 上可用 Edge Function 或 Serverless Function，示例为 nodejs runtime 的 POST handler，接收 query、namespace、topK。
适用场景：Vercel 上的语义搜索、RAG 检索层、按租户隔离的向量搜索、批量知识库索引。
限制与注意事项：Upstash 为最终一致，写入后查询可能有 1–2 秒延迟；需注意配额并实现限流，429 表示被限流，401 表示凭证无效；无结果时检查文档是否已索引及嵌入模型是否启用；查询慢可检查配额或缩减数据量；命名空间在首次 upsert 时创建，也可使用默认空字符串；建议用 metadata 预过滤、保持合理 topK。价格与具体配额未提供。