你无法删除的用户：AI 系统中的被遗忘权
一项“被遗忘权”请求揭示了 AI 系统中一个令人不安的事实：用户数据散布在模型权重、向量索引和缓存中，且没有单一的数据行可以删除。本文探讨如何为“可遗忘性”进行设计。
你的 Embedding 是个人身份信息 (PII)：反向攻击与向量数据库中的被遗忘权
反向攻击可以从 embedding 中恢复出原始文本——甚至包括临床笔记中的姓名——这使得你的向量数据库属于个人数据，而非匿名的数学表示。本文将探讨为什么删除请求在面对软删除、快照和代理 ID 时会失效，以及如何通过删除传播架构来解决这一问题。
源文档更新从未同步到向量索引的那些 Embedding
你的 embedding 流水线在创建文档时能够正常触发，但在编辑时却失效了。数月后，检索系统依然在提供源文档早已不再认可的内容 —— 而唯一的告警竟是用户将这些错误内容反馈给了客服。
你的向量索引是一个没有失效策略的缓存
向量索引是你源数据的派生副本，这使得它成为了一个会过时的缓存：修改内容永不自动同步、已删除的文档留下“残影”、被撤销的权限导致泄露。为什么 RAG 的可靠性是一个缓存失效问题，而不是相似度搜索问题。
检索级联失效：文档删除如何毒害你的 RAG 流水线
当源文档消失时，它们的嵌入仍滞留在向量索引中，并持续返回貌似正确的错误答案。这是一份关于墓碑机制、级联失效以及检索时新鲜度检查的实战指南。
向量数据库分片：HNSW为何在分区边界失效及应对策略
HNSW图在分区方式上存在特殊阻力，会在大规模场景下导致无声的召回率下降。本文深入探讨其失效原因、实际中召回率损失的表现，以及团队在超出单节点容量后用于恢复检索精度的运营模式。
单向量版本标签：每个 Embedding 迁移背后的缺失列
向量数据库在发布时并没有配备 Postgres 已经拥有二十年的迁移工具 —— 没有 ALTER TABLE，没有在线模式变更，也没有单行版本控制。使 Embedding 升级得以平稳进行的规范，始于一个大多数团队都忘记添加的列。
你的向量数据库也有热点 Key：为什么 ANN 索引在生产成本上“撒了谎”
公开的 ANN 基准测试通常运行均匀的查询负载，但在生产环境中检索是齐夫分布（Zipfian）的 —— 这种差异表现为分片过载、RAM 浪费以及超出预期的 p99 延迟。
RAG 读后写竞争：当你的向量索引引用了一个已不存在的文档
生产环境中的 RAG 流水线往往默认检索与生成之间存在快照隔离。然而，由于从未真正强制执行，导致了已删除数据块被引用、已编辑数据块内容倒置以及过期权限泄露等 Bug。
Embedding API 的 “隐藏税”：为什么向量支出在不知不觉中超过了生成成本
Embedding API 的支出在规模化过程中会悄然增长，并最终超过生成成本。本文将深入分析主导账单的工作负载、扭转成本曲线的架构杠杆，以及自托管的盈亏平衡计算。
Embedding 模型轮换是数据库迁移，而非代码部署
更换 Embedding 模型并非简单的配置更改——新向量存在于与旧向量不同的流形中，因此这本质上是一次完整的重新 Embedding 加上一次伪装成部署的切换。这是一份包含影子索引、双读一致性指标、分阶段流量切换以及团队经常遗漏预算的运营成本的迁移指南。
你的 RAG 分块器是一项无人 Review 代码的数据库 Schema
将你的 RAG 分块器视为预处理，每一次边界微调都会变成一次静默的 Schema 迁移。对其进行版本管理、灰度发布，并同步负责检索评估。