用途
Vector Search 是一个基于 Upstash Vector 的向量检索技能，用于为智能体实现知识检索。其上下文策略是“检索优先”（retrieval-first），智能体通过稠密与稀疏混合搜索（dense + sparse hybrid search）来查找相关上下文。该技能适用于添加 RAG、语义搜索、知识库功能，或为智能体构建上下文的场景。
主要能力
Upstash Vector 初始化
使用 @upstash/vector 的 Index 类初始化索引，通过环境变量 UPSTASH_VECTOR_URL 和 UPSTASH_VECTOR_TOKEN 提供连接信息。
文档类型
采用单一索引配合类型过滤器（type filters）管理文档。VectorDocument 接口包含 id、data（文本内容，需经 PII 脱敏）和 metadata。metadata 中的 type 可为 conversation、knowledge 或 response，并包含 appId。
- 对话元数据：
category、resolution（refund / transfer / info / escalated）、customerSentiment（positive / neutral / negative）、touchCount、resolvedAt。 - 知识元数据：
source（docs / faq / policy / canned-response）、title、lastUpdated。 - 回复元数据：
trustScore、usageCount、conversationId。
PII 脱敏（必需）
在嵌入前必须始终对 PII 进行脱敏。redactPII 函数会替换邮箱为 [EMAIL]、电话为 [PHONE]、信用卡号为 [CARD]，并可将已知姓名替换为 [NAME]。
写入模式
使用 index.upsert 写入文档，传入 id、经 redactPII 处理后的 data 以及 metadata。
智能体上下文构建
buildAgentContext 函数通过并行查询（Promise.all）同时检索三类内容：
- 相似已解决工单：
topK: 3，过滤条件为appId匹配、type = 'conversation'且resolution != 'escalated'。 - 知识库文章：
topK: 5，过滤条件为appId匹配且type = 'knowledge'。 - 高信任度回复：
topK: 3，过滤条件为appId匹配、type = 'response'且trustScore > 0.85。
所有查询均设置 includeData: true 和 includeMetadata: true。
可选：Cohere Rerank
为获得更高质量的结果，可使用重排序。buildAgentContextWithRerank 函数先从稠密（queryMode: 'DENSE'）和稀疏（queryMode: 'SPARSE'）搜索各取 topK: 30 的候选结果，按 id 去重后，使用 Cohere 的 rerank 方法（模型 rerank-v4.0-pro）对候选文档重排序，取 topN: 10，再按类型分别截取：相似工单 3 条、知识 5 条、优质回复 3 条。
使用方式
文件位置
- 向量客户端：
packages/core/src/vector/client.ts - 上下文构建：
packages/core/src/vector/context.ts - PII 脱敏：
packages/core/src/vector/redact.ts
参考文档
完整细节参见：
docs/support-app-prd/71-vector-search.mddocs/support-app-prd/72-context-strategy.md
适用场景
适用于需要为智能体添加 RAG、语义搜索、知识库功能或上下文构建能力的项目，尤其是客服支持类应用，需要检索相似工单、知识库文章和高信任度回复的场景。
限制
资料中未提供关于收费、价格、平台支持范围、性能效果或具体使用步骤的更多信息。PII 脱敏为必需步骤，嵌入前必须执行。