余弦检索实现细节与坑

工程实现余弦检索时的细节：归一化必须用 float32 避免精度漂移；接近零的向量（全零 embedding）会让除法产生 NaN，需要在入库前过滤或兜底处理。

RAG 与向量库速查AI更新于 2026-10-12

安全归一化

import numpy as np

def safe_l2norm(x, eps=1e-12):
    norms = np.linalg.norm(x, axis=1, keepdims=True)
    return x / np.maximum(norms, eps)      # 全零向量保持全零

vecs = safe_l2norm(np.random.rand(100, 384).astype("float32"))

对全零向量做除法会得到 NaN；NaN 一旦入库，检索排序会整体异常且很难定位。

易错点

用 float64 重算入库向量，与线上 float32 检索结果出现微小不一致
空文本编码出的全零向量直接入库，后续相似度全为 NaN

数据来源与参考

NumPy 官方文档（浮点与除法）
Qdrant 官方文档（向量校验）

继续搜索

常用关键词：3389 traceroute iptables 子网掩码 docker

‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌