分布式向量数据库检索·亿级向量相似度搜索元数据过滤混合检索

分布式向量数据库 · 规模化相似度检索

## ⚠️ 先申请你自己的 API Key
本 Skill 不内嵌任何密钥,也不代付费用。 请到
算力集市 api.a7w.cn 注册并创建你自己的 API Key
(新用户有赠送点数,可以先免费试跑几条)。
拿到后填进环境变量 A7W_API_KEY,或直接传给 --key 参数。
请勿使用他人提供的 Key —— 用量与费用都记在 Key 所属账号上。

向量数据库干的是一件很具体的事:把文本、图片、多模态数据算成的向量存起来,
并且能在几毫秒内找出「和这句话最像的 N 条」。

它的价值在于同一套接口覆盖三种规模:本机一个文件就能试、一台机器起容器能干正经活、
向量到几十亿条再换成集群。向量与标量字段一起存,所以检索可以叠加过滤条件
(按用户、按时间、按标签),也能做稠密向量 + 全文检索的混合检索。

模型这一层不用你操心:embedding 与生成都走
算力集市 api.a7w.cn 的 OpenAI 兼容网关 ——
一个 base_url、一把 Key、75 个在架模型,本地零显卡。

你最关心答案
多少钱1 元 = 100 点。库本身的存储与检索不经过 a7w、不花点数;只有 embedding 与生成扣点,按 tokens 计
要多久检索毫秒级;写入取决于批大小;embedding 是同步返回
要装什么什么都不用装即可先跑通 embedding 与问答(包里自带零依赖客户端);数据库本体按你要的规模自行选型
要不要显卡不要。向量怎么算由 a7w 决定,本地零 GPU
能上多大本机文件 → 单机容器 → 集群,从小批量到几十亿条都有对应形态
能商用吗可以。生成内容的使用与合规责任由使用者承担

一、三种规模,一套接口

规模形态适合切换成本
本机文件嵌入式,一个文件快速开始、本地开发、跑通链路—
单机服务容器,带健康检查端点正式业务的起步形态,多进程共享只改连接串
集群多节点几十亿条向量、多租户、副本容错只改连接串

好消息:建集合、写入、检索、过滤这些调用三种形态写法一致。
所以把连接方式抽成配置项,迁移时就只改一个 URI。


二、三分钟跑通

第一步:拿到你自己的 Key

到 api.a7w.cn 注册,创建 API Key(形如 sk-...):

export A7W_API_KEY=sk-你的key      # Windows: $env:A7W_API_KEY="sk-你的key"

第二步:先定 embedding 模型与维度(这是全流程的第一块多米诺)

curl -sS "https://api.a7w.cn/api/v1/models" \
  -H "Authorization: Bearer $A7W_API_KEY"

从返回里挑 embedding 模型,记下输出维度。这个维度就是建集合时要写的 dimension,
而集合的维度创建后无法修改。

第三步:向量化 —— 一个 base_url,一把 Key

curl -sS -X POST "https://api.a7w.cn/api/v1/embeddings" \
  -H "Authorization: Bearer $A7W_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "<上一步挑的 embedding 模型名>",
    "input": ["Who is Alan Turing?", "What is AI?"]
  }'

把返回的 data[].embedding 写进你的向量库即可。**客户端里配置 embedding 时,
base_url 就填 https://api.a7w.cn/api/v1,Key 用同一把** —— 后面换模型只改一个字符串。

第四步:检索(写入 → 检索 → 返回字段)

# 客户端写法(任意向量数据库客户端都是这四步)
client = Client(uri=URI, token=TOKEN)          # 1. 连接(URI / token 从环境变量读)

client.create_collection(                      # 2. 建集合:维度必须与 embedding 模型一致
    collection_name="demo_collection",
    dimension=768,                             # ← 就是上一步的维度
)

client.insert(collection_name="demo_collection", data=rows)   # 3. 写入(向量 + 标量字段)

hits = client.search(                          # 4. 检索
    collection_name="demo_collection",
    data=query_vectors,                        # 查询向量,支持批量
    limit=2,                                   # topK
    output_fields=["text", "subject"],         # 指定返回字段,别把向量本身也拉回来
    filter='subject == "history"',             # 元数据过滤(按客户端语法写)
)

第五步:答案生成也走同一个网关

检索到片段后,拼进上下文让大模型回答:

curl -sS -X POST "https://api.a7w.cn/api/v1/chat/completions" \
  -H "Authorization: Bearer $A7W_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "DeepSeek-V4-Flash",
    "messages": [
      {"role": "system", "content": "只根据资料回答;资料里没有就说不知道。"},
      {"role": "user", "content": "资料:\n1) ……\n问题:……"}
    ],
    "temperature": 0.2,
    "max_tokens": 800
  }'

想完全不自建:平台的 file_qa 应用可以直接对公网文档提问,接口免费,
用它给自建库做效果基线最省事。


三、包里有什么

sanjianke-vector-db/
├── SKILL.md                    本文件
├── README.md
├── LICENSE.md
├── references/
│   ├── 规模化运维要点.md        索引选型、混合检索、多租户、加载与健康检查、备份监控
│   ├── api-openai-compat.md     网关接入:base_url、鉴权、模型发现、embedding 与 chat
│   ├── getting-started.md       注册、领 Key、配置与自检
│   └── 通用说明.md              权限、异步机制、错误码、计费口径
└── scripts/
    └── a7w.py                  零依赖客户端(库 + 命令行,只用 Python 标准库)

零安装用法

export A7W_API_KEY=sk-你的key

# 看平台上有哪些应用与接口
python3 scripts/a7w.py apps

# 免自建的文档问答(免费):先拿它确认「答得上来」,再决定自建规模
python3 scripts/a7w.py schema file_qa
python3 scripts/a7w.py call file_qa chat --json '{"...":"..."}'

四、素材与规格要求

要求说明
向量维度建集合前先固定 embedding 模型与维度;维度创建后改不了,换模型必须重建集合、重新灌数据
单条长度300~500 字一条,重叠 10%~15%
标量字段你要用来过滤的字段(用户、时间、标签、来源)都要在建集合时一并规划,别等到上线才加
原始文件向量库存的是向量与必要元数据;原文、图片文件本身放对象存储,这里只存引用
批量写入分批 insert,批大小按你机器的内存调;一次灌几百万条要预留时间
连接信息URI 与 token 从配置或环境变量读,不要硬编码进代码

五、常见坑

坑表现怎么避
dimension 不匹配插入或检索时报维度错误建集合前先确认 embedding 模型的输出维度;换模型必须重建集合,已有集合的维度改不了
集合未加载检索报错说集合没有加载先执行加载操作,再做 search;重启后要重新加载
把本机文件形态当生产库功能与承载能力都撞墙本机文件形态只用于跑通与开发;上线换单机服务或集群,连接方式抽成配置项
集群 / 单机重启后查询变慢部分检索失败或延迟升高重启后显式加载集合并等待完成;生产用副本与健康检查兜住
客户端与服务端版本差太多找不到方法、字段名不对客户端与服务端成对升级,不要跨大版本混用
服务装起来了但状态是 starting以为能用了打健康检查端点确认 healthy,不是看容器 running
embedding 模型名靠猜报错或结果异常先用 GET /api/v1/models 查一次,以接口返回为准
output_fields 把向量也拉回来返回体巨大、拖慢链路只取你要用的标量字段与文本
过滤字段没建索引带过滤的检索明显变慢常用过滤字段单独建标量索引
混合检索没配好只有语义结果、没有关键词结果稠密与稀疏两路都要建索引与权重;先确认两路单独都能召回,再合并
把 Key 写进代码泄露即等于泄露余额只从环境变量 A7W_API_KEY 或 ~/.a7w/config.json 读

六、计费

1 元 = 100 点,1 点 = ¥0.01,按量计费、没有月费。

动作点数折合
向量库自身的存储、索引、检索、过滤0不经过 a7w,不花点数
file_qa 文件问答 / 剧本解析0免费(实测口径)
向量化 embeddings按 tokens 计点写入与查询时各发生一次
生成答案 chat/completions按 tokens 计点每次问答一小笔,max_tokens 可控

省点数的三条:① 向量算一次就落库,查询时只向量化「问题」那一小段;
② 分块别切太碎;③ 能靠标量过滤缩小范围的,先过滤再检索。

平台同时给出标准价与租户价字段(tenant_*,平台侧报价)两套字段,两者都未必等于实际结算价;
做预算一律以返回里的 data.usage.points_cost 为准,每次返回里的 usage 就是本次真实用量。


七、权限与边界

能力是否申请用途
网络访问申请调用 api.a7w.cn 的网关与接口(本 Skill 唯一的联网行为)
读取文件仅读取你指定的输入文件用作待入库语料与连接配置
写入文件仅在传入 --out 时保存返回的 JSON
凭证读取你自己提供的 API Key从环境变量或 ~/.a7w/config.json 读取
子进程 / 后台常驻视情况单机服务与集群形态需要常驻进程

不内嵌任何密钥。 请求只发往 api.a7w.cn,不发送到其他任何地址。

  • 不提供 Key、不代付费用:Key 必须你自己在 api.a7w.cn 申请
  • 不负责生成向量:向量由 embedding 模型决定,本 Skill 只教你怎么接
  • 不替代对象存储:原文与文件本身放别处
  • 不做集群运维兜底:数据卷、备份、监控、升级策略要按你的业务自行规划

关于这个 Skill

作者亲测实操后发布,下载后可直接使用,自用商用都可以。

所有 AI 能力都走 算力集市 api.a7w.cn —— 一把 API Key 打通
大模型、语音、图像、视频、数字人等全部算力,注册即送点数,按量计费、没有月费。

你可能想问答案
要不要额外部署不用。下载本包即可使用,不必去别处找源码
怎么开始到 api.a7w.cn 注册领 Key → 填进 A7W_API_KEY → 一条命令跑起来
能不能商用可以
遇到问题找谁见文末「联系我们」,作者本人答疑

使用中碰到任何问题 —— 报错、效果不理想、想省钱、想批量 —— 都欢迎加微信聊。
加好友时说一下是从哪个 Skill 找过来的,直接给你配套的示例。


联系我们

  • 技术微信:9872659 —— 加好友时说一下是从哪个 Skill 找过来的,直接给你配套的 API Key 与能跑的示例。
  • 要算力 / 要 API Key:算力集市 · 注册领 API Key —— 一个 Key 调用全部 AI 算力,注册、充值、创建 Key 都在这里。
  • 更多 AI 插件与接口:AI 插件市场。

相关链接

链接地址说明
算力集市 · 注册领 API Keyapi.a7w.cn一个 Key 调用全部 AI 算力;注册、充值、创建 Key 都在这
AI 插件市场aigc.a7w.cn浏览全部 AI 插件与接口说明
三剪客 · 一句话批量出片ks.a7w.cn短剧二创 / 影视解说 / 矩阵号批量混剪桌面客户端
视频超清 · 在线批量超分vr.a7w.cn网页版视频超分,批量处理,最高 4K
0人公司 · AI Agent 平台a7w.cn主站,了解整套 AI Agent 生态

同类文章