基于Qdrant的多维电商语义引擎

六个月前，我在为一个小型电商目录构建语义搜索引擎。一切看起来都不错。我使用了一个好的嵌入模型、余弦相似度，搜索结果看起来也很合理。

然后我搜索了：

"防水黑色登山靴，带良好足弓支撑"

第一个结果很完美。第二个是一件防水夹克。第三个是一双黑色切尔西靴。

从技术上讲，搜索结果并没有错。每个结果在语义上都与查询相似。但如果我是顾客，我根本不在乎。我想要的是带足弓支撑的登山靴，而不是恰好包含几个相似词汇的产品。

我尝试了更好的嵌入模型。我改变了分块策略。我添加了更多元数据。结果略有改善，但真正的问题从未消失。

问题不在于模型。 问题在于一个假设：一个嵌入向量就能代表整个产品。一件产品有技术规格、图片和顾客评论。这些是不同类型的信息，而我却将它们全部压缩进一个向量中。

于是我重建了系统。 我不再为每个产品使用一个嵌入向量，而是为规格、图片和评论发现分别存储独立的向量空间。在嵌入之前，我将每个查询拆分为不同类型的意图，并在此基础上添加了轻量级的个性化层。

1、心智模型：在阅读一行代码之前

把系统想象成三个专家在评估同一件产品。

当用户搜索"防水黑色登山靴，带良好足弓支撑"时，查询被拆分为三个问题：

• 它防水吗？→ 规格专家 (ColBERT)
• 它看起来像黑色登山靴吗？→ 视觉专家 (SigLIP)
• 顾客称赞足弓支撑吗？→ 评论专家 (BGE)

每位专家搜索存储在同一个Qdrant点内的不同向量字段。文本和评论检索先提名候选，视觉通道执行最终评分，个性化则对结果进行重排序。

系统不强迫一个嵌入向量代表一切，而是评估独立的证据片段，在排名阶段将它们组合起来。

2、核心问题：一个向量无法代表一切

当有人搜索"防水黑色登山靴，带良好足弓支撑"时，他们问的不是一个问题，而是同时问三个问题：

• 第一个是规格问题："这是防水的吗？"由产品描述和技术数据表回答。
• 第二个是视觉问题："它看起来像黑色登山靴吗？"由图片回答。不是图片的文字描述，而是实际图片。
• 第三个是社交问题："人们说足弓支撑好吗？"由顾客评论回答。

没有一个单一的嵌入模型能以同等保真度捕捉所有三种信号。当你将它们汇合在一起时，你得到的向量大致位于三者附近，但对任何一个都不精确。这就是为什么你会在登山靴结果中看到切尔西靴。两者都是黑色鞋类。视觉信号表现尚可。足弓支撑信号则完全丢失了。

解决方案是停止将产品视为一个整体，而是将其视为独立信号的集合，每个信号都可以独立搜索。

3、为什么我选择Qdrant

在做出决定之前，我评估了Pinecone、Weaviate和Qdrant。决定性因素是命名多向量字段。我需要为每个文档存储多种不同类型的向量，每种都有自己的维度和比较函数。Pinecone不支持这个功能。Weaviate的多向量方案在我开始时仍在发展中。

Qdrant的API很简洁：你在创建集合时定义命名向量配置，每个配置有不同的维度、距离度量和HNSW设置。

另一个打动我的是update_vectors。在实时目录中：

• 产品获得新图片。视觉矩阵需要增长，而无需重建集合。
• 评论每天到达。每条新评论都会向评论矩阵添加行。
• Qdrant通过允许你检索现有向量字段、连接新向量并将更新后的矩阵推回来处理这两种情况。集合保持在线，正在运行的查询继续工作。

版本很重要。我使用的是Qdrant v1.15.3，使用qdrant-client>=1.15.0。多向量从v1.10开始可用，但使多阶段搜索干净工作的query_points预取API在v1.14中变得稳定。

4、系统存储的内容：一个点，三个矩阵

每个产品变成一个Qdrant点。该点有三个命名字段：

# src/commerce_engine/qdrant_store.py
VISUAL_VECTOR = "visual_vectors"   # 768维 SigLIP 图像嵌入
TEXT_VECTOR   = "text_vectors"     # 96维 ColBERT 令牌矩阵
REVIEW_VECTOR = "review_vectors"   # 384维 BGE 每个发现的嵌入

所有三个都使用 MAX_SIM 作为比较器。以下是完整的集合设置：

def vector_params(size: int, *, hnsw_m: int | None = None) -> models.VectorParams:
    hnsw_config = None
    if hnsw_m is not None:
        hnsw_config = models.HnswConfigDiff(m=hnsw_m)
    return models.VectorParams(
        size=size,
        distance=models.Distance.COSINE,
        multivector_config=models.MultiVectorConfig(
            comparator=models.MultiVectorComparator.MAX_SIM
        ),
        hnsw_config=hnsw_config,
    )

def recreate_collection(client, collection, *, profile="baseline", disable_text_hnsw=True):
    client.create_collection(
        collection_name=collection,
        vectors_config={
            VISUAL_VECTOR: vector_params(VISION_DIM),                                       # 768
            TEXT_VECTOR:   vector_params(TEXT_DIM, hnsw_m=0 if disable_text_hnsw else None),# 96
            REVIEW_VECTOR: vector_params(REVIEW_DIM),                                       # 384
        },
        quantization_config=quantization_config(profile),
    )
    create_payload_indexes(client, collection)

TEXT_VECTOR 上设置 hnsw_m=0 是有意为之。设置 m=0 完全禁用了该字段的HNSW图索引。通常这会是性能灾难，但这里不是，有两个原因：

• 文本向量不用于第一阶段检索。 它们用作预取阶段已返回的小候选集上的ColBERT重排序器。在20-50个候选中，暴力矩阵比较胜过HNSW，因为图遍历开销在N较小时比它节省的成本更多。
• 它节省了索引内存。 令牌级矩阵比池化向量更大。跳过text_vectors的HNSW图减少了内存占用，当你跨产品存储数千个令牌的96维矩阵时，这一点会产生复合效应。

负载也会单独索引，以便Qdrant可以在评分前进行过滤：

def create_payload_indexes(client, collection):
    # 关键词字段
    for field in ["brand", "category", "region", "color", "size", "product_id"]:
        client.create_payload_index(
            collection_name=collection,
            field_name=field,
            field_schema=models.PayloadSchemaType.KEYWORD,
        )
    # 布尔字段
    client.create_payload_index(
        collection_name=collection,
        field_name="availability",
        field_schema=models.PayloadSchemaType.BOOL,
    )
    # 浮点字段
    for field in ["price", "eco_score"]:
        client.create_payload_index(
            collection_name=collection,
            field_name=field,
            field_schema=models.PayloadSchemaType.FLOAT,
        )

这比看起来更重要。当索引存在时，Qdrant在向量评分之前运行负载过滤。过滤 availability=True 或 price <= 150.0 在任何嵌入比较运行之前就消除了候选。没有索引，你得到的是后过滤，这更慢且会产生不一致的结果计数。在查询之前为你的可过滤字段建立索引。

5、三个嵌入管道

点中的每个向量字段来自不同的嵌入管道。同一产品在摄取前经过所有三个管道。

5.1 视觉管道：SigLIP

产品图片经过 google/siglip-base-patch16-224。

SigLIP是一个视觉-语言模型，具有对齐的图像和文本嵌入。 对齐意味着你可以编码一个文本查询如"黑色登山靴"并直接与图像嵌入进行比较。无需桥接模型，无需单独的对齐步骤。

# src/commerce_engine/embeddings.py
def image_patches(self, image_path: Path) -> list[list[float]]:
    """返回形状 [1, 768]：归一化的SigLIP池化图像嵌入。"""
    self._load_siglip()
    import torch
    image = Image.open(image_path).convert("RGB")
    siglip_inputs = self._siglip_processor(images=image, return_tensors="pt")
    siglip_inputs = {k: v.to(self.device) for k, v in siglip_inputs.items()}
    with torch.no_grad():
        vision_outputs = self._siglip_model.vision_model(**siglip_inputs)
        pooled = vision_outputs.pooler_output        # shape: [1, 768]
        normalized = torch.nn.functional.normalize(pooled, dim=-1)
    return normalized.cpu().numpy().astype(float).tolist()

以及相应的文本端查询编码：

def visual_query(self, query: str) -> list[list[float]]:
    """返回形状 [1, 768]：归一化的SigLIP文本塔输出。"""
    self._load_siglip()
    text_inputs = self._siglip_processor(
        text=[query], return_tensors="pt", padding=True, truncation=True
    )
    text_inputs = {k: v.to(self.device) for k, v in text_inputs.items()}
    with torch.no_grad():
        text_outputs = self._siglip_model.text_model(**text_inputs)
        pooled = text_outputs.pooler_output          # shape: [1, 768]
        normalized = torch.nn.functional.normalize(pooled, dim=-1)
    return normalized.cpu().numpy().astype(float).tolist()

两个输出在存储和查询前都经过L2归一化。这使得余弦相似度等同于点积，Qdrant计算起来更快。

每个产品的存储形状是 [1, 768]，一个只有一行的矩阵。从技术上讲，它是一个包含一个元素的2D多向量，但将其存储为矩阵而不是扁平向量可以保持接口一致，并使得将来追加额外的图像块变得简单。

5.2 文本管道：ColBERT

产品标题和规格表经过FastEmbed的 answerdotai/answerai-colbert-small-v1。该模型生成令牌级嵌入，每个令牌96维，不做池化。

def text_late(self, texts: list[str]) -> list[list[list[float]]]:
    return [
        embedding.astype(float).tolist()
        for embedding in self.late_model.embed(texts)
    ]

返回形状是 [文本数, 令牌数, 96]。对于一个产品标题，你得到一个形状为 [令牌数, 96] 的矩阵。一个规格丰富的产品如"TrailForge StormShield 黑色登山靴。支撑：尼龙鞋芯和模塑足弓支撑。鞋面：黑色防撕裂纺织品。防水等级：IPX6防水膜适用于大雨"会分词为约25-30个令牌，因此存储的矩阵是 [~28, 96]。

文本文档在Product模型中组装：

# src/commerce_engine/models.py
def text_document(self) -> str:
    specs = " ".join(f"{key}: {value}" for key, value in sorted(self.specs.items()))
    return f"{self.title}. {specs}"

先是标题，然后是所有规格作为键值对。规格键（support、waterproof_rating、upper）作为文本包含在内，以便ColBERT可以将如"waterproof"的查询令牌匹配到规格键，而不仅仅是规格值。

5.3 评论管道：BGE与语义发现提取

原始评论不会直接进入嵌入器。它们首先经过一个发现提取步骤。这就是架构与朴素方法最大不同的地方。

像"大雨和泥泞中防水。长途徒步中足弓支撑好。湿岩上抓地力极佳。"这样的评论包含三个独立的事实声明。将完整评论作为单个向量嵌入会将三者平均化。一个有十条评论的产品整体嵌入后会给出十个平均模糊块。你会丢失对特定查询重要的特定声明。

相反，extract_semantic_findings() 使用正则表达式模式提取特定声明：

# src/commerce_engine/reviews.py
FINDING_PATTERNS = [
    r"waterproof(?: in [a-z ]+)?",
    r"kept feet dry",
    r"good arch support",
    r"arch support is [a-z]+",
    r"supportive footbed",
    r"excellent grip",
    r"not enough grip",
    r"highly durable",
    r"runs a little small",
    r"runs small",
    r"strong ankle support",
]

def extract_semantic_findings(reviews: list[str]) -> list[str]:
    findings: list[str] = []
    for review in reviews:
        normalized = review.lower().strip()
        matched = False
        for pattern in FINDING_PATTERNS:
            match = re.search(pattern, normalized)
            if match:
                findings.append(match.group(0))
                matched = True
        if not matched:
            findings.append(normalized.rstrip("."))
    return list(dict.fromkeys(findings))  # 去重

TrailForge靴子的发现结果如下：["大雨和泥泞中防水", "足弓支撑好", "抓地力极佳"]。每个发现随后分别用 BAAI/bge-small-en-v1.5 嵌入为384维向量：

def review_findings(self, findings: list[str]) -> list[list[float]]:
    if not findings:
        return [_unit_vector("empty-review", REVIEW_DIM)]
    return [
        embedding.astype(float).tolist()
        for embedding in self.review_model.embed(findings)
    ]

存储的评论矩阵是 [发现数, 384]。三个发现变成 [3, 384] 矩阵。一个有十条评论和15个提取发现的产品变成 [15, 384]。

当查询包含"足弓支撑好"时，它被嵌入为单个384维向量，并通过MAX_SIM与此矩阵进行比较。最相似的发现胜出。匹配的发现是来自评论的"足弓支撑好"，而非所有评论内容的平均近似。

完整的摄取步骤将所有三个矩阵组装到单个点中：

# src/commerce_engine/ingest.py
def product_point(product: Product, embedder: Embedder) -> models.PointStruct:
    text_matrix   = embedder.text_late([product.text_document()])[0]
    review_matrix = embedder.review_findings(
        extract_semantic_findings(product.reviews)
    )
    visual_matrix = embedder.image_patches(Path(product.image_path))

    return models.PointStruct(
        id=point_id(product.id),
        payload=product.payload(),
        vector={
            VISUAL_VECTOR: visual_matrix,   # shape [1, 768]
            TEXT_VECTOR:   text_matrix,     # shape [~28, 96]
            REVIEW_VECTOR: review_matrix,   # shape [发现数, 384]
        },
    )

一个产品。一个点。三个矩阵，每个解决不同的检索问题。

6、查询分解：在嵌入之前路由意图

当用户提交查询时，第一步是分解。查询不会直接发送到所有三个向量字段。

# src/commerce_engine/query.py
TEXT_KEYWORDS   = {"waterproof", "water-resistant", "rain", "membrane", "insulated", "leather"}
VISUAL_KEYWORDS = {"black", "brown", "charcoal", "red", "blue", "hiking", "boots", "sneakers"}
REVIEW_KEYWORDS = {"support", "arch", "grip", "durable", "comfortable", "runs", "excellent"}

def decompose_query(query: str) -> QueryPlan:
    tokens = tokenize(query)
    text_terms   = [t for t in tokens if t in TEXT_KEYWORDS]
    visual_terms = [t for t in tokens if t in VISUAL_KEYWORDS]
    review_terms = [t for t in tokens if t in REVIEW_KEYWORDS]
    phrase = " ".join(tokens)
    # 短语级覆写已知复合词
    if "good arch support" in phrase:
        review_terms.extend(["good", "arch", "support"])
    if "black hiking boots" in phrase:
        visual_terms.extend(["black", "hiking", "boots"])
    if "waterproof" in phrase:
        text_terms.append("waterproof")
    return QueryPlan(
        original_query=query,
        text_terms=list(dict.fromkeys(text_terms)),
        visual_terms=list(dict.fromkeys(visual_terms)),
        review_terms=list(dict.fromkeys(review_terms)),
    )

对于"防水黑色登山靴，带良好足弓支撑"，分解产生：

• text_terms = ["waterproof"] → 路由到ColBERT规格匹配
• visual_terms = ["black", "hiking", "boots"] → 路由到SigLIP视觉匹配
• review_terms = ["support", "arch", "good"] → 路由到BGE评论匹配

QueryPlan模型暴露三个属性，将这些词连接回子查询字符串：

# src/commerce_engine/models.py
@property
def text_query(self) -> str:
    return " ".join(self.text_terms or [self.original_query])
@property
def visual_query(self) -> str:
    return " ".join(self.visual_terms or [self.original_query])
@property
def review_query(self) -> str:
    return " ".join(self.review_terms or [self.original_query])

如果没有词匹配到某个类别，原始查询会作为该字段的子查询后备。这防止了空查询。

我直接说一下局限：这种分解使用关键词匹配，比较粗糙。更好的生产实现会调用LLM来分类查询意图。无论哪种方式，架构都是一样的。重要的是你在嵌入之前进行路由，而不是你使用什么花哨的分类器进行路由。先把结构做对。

7、搜索：预取然后最终评分

Qdrant的query_points支持prefetch参数。它允许你从多个向量字段并行检索候选集，然后仅对这些候选应用最终评分阶段。

# src/commerce_engine/search.py
def search_products(client, collection, request, embedder):
    plan = decompose_query(request.query)
    query_filter = build_filter(request.filters)
    # 嵌入所有三个子查询
    text_query   = embedder.text_late([plan.text_query])[0]
    review_query = embedder.review_findings([plan.review_query])
    visual_query = embedder.visual_query(plan.visual_query)
    candidate_limit = max(request.limit * 5, 20)
    # 文本和评论作为预取候选运行
    prefetch = [
        models.Prefetch(
            query=text_query,
            using=TEXT_VECTOR,
            limit=candidate_limit,
            filter=query_filter,
        ),
        models.Prefetch(
            query=review_query,
            using=REVIEW_VECTOR,
            limit=candidate_limit,
            filter=query_filter,
        ),
    ]
    # 视觉查询对预取候选进行评分和排序
    response = client.query_points(
        collection_name=collection,
        prefetch=prefetch,
        query=visual_query,
        using=VISUAL_VECTOR,
        query_filter=query_filter,
        limit=max(request.limit * 3, 10),
        with_payload=True,
        with_vectors=True,
    )

文本和评论预取阶段各返回最多candidate_limit个结果。Qdrant将它们合并。最终的视觉查询然后仅使用VISUAL_VECTOR字段对这些候选进行评分。负载过滤在每个阶段都适用。

在Qdrant响应后，代码计算每个方面的MAX_SIM分数以获得命名的分解：

from commerce_engine.scoring import maxsim_score

for point in response.points:
    vectors  = point.vector or {}
    doc_visual = vectors.get(VISUAL_VECTOR, [])
    doc_text   = vectors.get(TEXT_VECTOR, [])
    doc_review = vectors.get(REVIEW_VECTOR, [])
    v_score = maxsim_score(visual_query, doc_visual) if doc_visual else 0.0
    t_score = maxsim_score(text_query,   doc_text)   if doc_text   else 0.0
    r_score = maxsim_score(review_query, doc_review) if doc_review else 0.0
    combined_score = v_score + t_score + r_score

MAX_SIM函数本身是三行NumPy：

# src/commerce_engine/scoring.py
def maxsim_score(query_matrix, doc_matrix) -> float:
    query = np.asarray(query_matrix, dtype=np.float32)
    doc   = np.asarray(doc_matrix,   dtype=np.float32)
    similarities = query @ doc.T                # [查询令牌, 文档令牌]
    return float(similarities.max(axis=1).sum())# 每个查询令牌取最大，然后求和

对于每个查询令牌：找到与所有文档令牌的最高相似度。将这些每个令牌的最大值相加。这个和就是MAX_SIM分数。这就是完整的ColBERT晚期交互公式。

在检索后手动计算它，可以在解释字段中给出每个方面的分数（visual=0.81, text=0.44, review=0.69）。这个分解是系统中最好的调试工具。当结果感觉不对时，方面分数立即告诉你视觉、规格或评论信号哪个匹配失败。

8、个性化：对相同候选进行不同重排序

Qdrant返回结果后，个性化层根据请求用户的画像对它们进行重排序。Qdrant检索步骤对每个用户都是相同的。只有重排序发生变化。

# src/commerce_engine/scoring.py
def personalization_boost(payload: dict, profile: UserProfile) -> tuple[float, list[str]]:
    boost = 0.0
    reasons = []
    if payload.get("brand") in profile.preferred_brands:
        boost += 0.25
        reasons.append(f"偏好品牌: {payload['brand']}")
    price = float(payload.get("price", 0.0))
    low, high = profile.price_range
    if low <= price <= high:
        boost += 0.30
        reasons.append(f"价格在用户范围内: {low:g}-{high:g}")
    if profile.eco_preference and payload.get("is_sustainable"):
        boost += 0.30
        reasons.append("环保偏好匹配")
    if payload.get("category") in profile.favorite_categories:
        boost += 0.20
        reasons.append(f"偏好品类: {payload['category']}")
    return boost, reasons

def rerank(results: list[SearchResult], profile: UserProfile) -> list[SearchResult]:
    reranked = []
    for result in results:
        boost, reasons = personalization_boost(result.payload, profile)
        final_score = result.qdrant_score * (1.0 + boost)
        reranked.append(
            result.model_copy(update={
                "final_score": final_score,
                "personalization_boost": boost,
                "explanation": [*result.explanation, *reasons],
            })
        )
    return sorted(reranked, key=lambda r: r.final_score, reverse=True)

提升是乘性的，而不是加性的。语义得分为0.90、总提升为0.55的产品最终得分为0.90 × 1.55 = 1.395。得分为0.95但没有匹配偏好的产品保持在0.95。个性化可以翻转排名。

每个匹配的提升原因都会被追加到结果的解释字符串中，因此一个顶级结果可能显示："偏好品牌: TrailForge | 价格在用户范围内: 80-165 | 评论证据: 足弓支撑"。这很重要有两个原因：用户信任他们能理解的推荐，而且你可以在几秒钟内通过查看得分原因来调试一个糟糕的结果。

9、无需重建即可更新产品

生产目录不是静态的。产品获得新图片。评论每天到来。系统需要在不宕机的情况下处理这两种情况。

两种更新操作遵循相同的模式：检索现有向量字段，连接新向量，用update_vectors推送更新后的矩阵。

# src/commerce_engine/updates.py
def append_review(client, collection, product_id, review, embedder):
    point    = _get_point(client, collection, product_id)
    findings = extract_semantic_findings([review])
    new_vecs = embedder.review_findings(findings)
    existing        = (point.vector or {}).get(REVIEW_VECTOR, [])
    updated_matrix  = [*existing, *new_vecs]
    update_named_vectors(client, collection, product_id, {REVIEW_VECTOR: updated_matrix})
    client.set_payload(
        collection_name=collection,
        payload={"reviews": [*point.payload.get("reviews", []), review]},
        points=[point_id(product_id)],
        wait=True,
    )
    return {"product_id": product_id, "findings": findings}

def append_image(client, collection, product_id, image_path, embedder):
    point   = _get_point(client, collection, product_id)
    new_vecs = embedder.image_patches(image_path)
    existing       = (point.vector or {}).get(VISUAL_VECTOR, [])
    updated_matrix = [*existing, *new_vecs]
    update_named_vectors(client, collection, product_id, {VISUAL_VECTOR: updated_matrix})
    return {
        "product_id": product_id,
        "added_patches": len(new_vecs),
        "total_patches": len(updated_matrix),
    }

在append_review之后，产品的评论矩阵每提取一个发现就增长一行。在append_image之后，视觉矩阵增加一行。无需重建集合。正在运行的查询继续工作。

这比听起来重要得多。如果添加一条评论就需要重新摄取整个产品，那你只能批量更新，评论数据总会滞后。使用update_vectors，webhook可以实时处理传入的评论，下一次搜索查询立即受益于新信号。

10、基准测试的实际结果

基准测试针对固定产品集（4款登山靴变体）运行了104个查询，由产品属性组合生成：颜色+品类、品牌+品类、基于规格、评论片段和复合查询。延迟使用time.perf_counter针对实时Qdrant实例测量。

基线的结果（无量化，文本禁用HNSW）：

• 平均延迟： 2.2毫秒 / P95：2.5毫秒
• Recall@3： 95.2%（104个查询中有99个在前3名中返回了目标产品）
• Recall@5： 100%
• MRR： 0.7204 / NDCG@5：0.7920

5个失败是边缘情况，查询分解器将所有内容路由到一个方面，但产品的信号存在于不同的字段中。

值得说明的诚实告诫：

• 这是4个产品。2.2毫秒在10万个产品时不会保持不变。
• 基准查询是从它们检索的同一固定数据生成的。存在一些过拟合。
• 二值量化显著降低了Recall@3。将32位浮点压缩为1位对ColBERT的令牌级匹配来说过于极端。从标量INT8开始，在部署前测量召回率。

11、何时不构建这个

三个嵌入管道、一个查询分解器和预取编排并不总是正确答案。如果以下任一条件适用，请跳过：

• 简短、统一的查询如"红鞋"或"羊毛衫"。单个密集向量就能很好地处理。
• 没有清晰的产品图片。 SigLIP需要一致的产品摄影。模糊或不一致的拍摄会产生微弱的视觉信号。放弃该字段。
• 没有客户评论。 评论字段增加了复杂性却零收益。跳过它。
• 目录低于1万产品且查询负载低。 更简单的架构可能足够快且维护成本低得多。
• 基础的检索本身就不好。 糟糕的基础嵌入、错误的分块或配置错误的过滤器不会因为添加更多向量而得到修复。多向量放大了信号。如果没有信号可以放大，它们会放大噪声。

12、何时值得构建

当以下所有条件都满足时，复杂性是值得的：

• 查询包含混合意图。 同一搜索字符串中同时包含规格问题、视觉问题和基于评论的问题。在户外装备、时尚、电子产品和美妆中很常见。
• 大规模清晰的产品图片。 10万+SKU，有一致的产品摄影。SigLIP通道在这里值得其存储成本。
• 评论持续到达。 如果评论每天更新，update_vectors模式相比批量重新索引变得真正有价值。
• 你有用户画像数据。 个性化层需要信号才能工作。没有它，重排序步骤只是在添加噪声。

13、从头开始的实施路径

不要跳过第1步。单向量基线不仅仅是脚手架。它是衡量额外复杂性是否确实改善了你特定目录结果所需的对照组。

我见过团队第一天就添加三个嵌入管道，因为这个架构听起来令人印象深刻，然后花三周时间试图弄明白为什么召回率变差了。它变差是因为他们的基础嵌入本来就不好。在添加楼层之前先打好地基。

14、构建这个之后真正改变的事情

我回过头来，在完成的系统上运行了原始的"防水黑色登山靴，带良好足弓支撑"查询。排名第1的是TrailForge StormShield。排名第2的是EcoTrek TerraDry。

两者都是真正的登山靴，在客户评论中有真实的足弓支撑记录。

切尔西靴消失了。

关键洞察不是多向量很神奇。关键洞察是原始的设置是要求一个数字代表三种不同类型的证据，而一个数字是不够的。解决方案是停止压缩，开始分离。

生产中的大多数搜索质量问题不是模型问题。它们是信号表示问题。将正确的模型指向混乱的数据会不断返回错误的答案。分离信号才是真正的工作。模型只是工具。

"你的搜索返回了技术上相关但没人点击的结果？问问自己，你在将多少种不同类型的用户意图压缩进一个相似度分数中。"

完整的源代码、测试、基准运行器、FastAPI端点、Streamlit UI和真实产品数据集都在： Github

本文描述的所有内容都映射到src/commerce_engine中的真实文件。没有占位函数，没有伪代码，没有含糊不清的实现细节。

15、项目一览

这是什么： 一个面向电商的多维度语义搜索引擎，在检索前将每个查询拆分为视觉、规格和评论信号。

技术栈：

• 向量数据库：Qdrant v1.15.3 配合 qdrant-client>=1.15.0
• 视觉嵌入：google/siglip-base-patch16-224（768维，通过Hugging Face Transformers）
• 文本嵌入：answerdotai/answerai-colbert-small-v1（96维，通过FastEmbed，ColBERT晚期交互）
• 评论嵌入：BAAI/bge-small-en-v1.5（384维，通过FastEmbed，每个发现）
• API：FastAPI + Typer CLI
• UI：Streamlit
• Python：3.11+

自己运行：

git clone https://github.com/dvy246/qdrant-multivector.git
cd qdrant-multivector
uv sync --extra dev
docker compose up -d qdrant
EMBEDDING_BACKEND=deterministic uv run engine init-qdrant
EMBEDDING_BACKEND=deterministic uv run engine ingest --fixtures
EMBEDDING_BACKEND=deterministic uv run engine search \
  "Waterproof black hiking boots with good arch support" --user user_a

原文链接：Multi-Aspect E-Commerce Semantic Engine Using Qdrant Multivectors

汇智网翻译整理，转载请标明出处