向量检索接入前先定六个数据口径：从 70 年图纸检索压缩到分钟级说起

先把结论说清楚：接入向量检索之前，真正需要先定的是六个数据口径，而不是选哪个模型、用什么索引。这六个口径是：哪些资料进索引、一条检索单元是什么、版本与有效性怎么表示、元数据和权限怎么过滤、更新与删除怎么落地、以及“算找到”怎么判定。口径不定，向量检索只是在更大范围内更快地返回一批不确定的结果。

材料能确认的范围#

据 OpenAI 的案例摘要，Kuken Industries 通过 OpenAI API 检索其 70 年的冷却塔图纸，工程师为一次维修找到对应图纸的时间从接近一小时降到 4.5 分钟（来源：openai.com/index/kuken，摘要发布于 2026 年 11 月 9 日）。

这个摘要支持两件事：语料时间跨度长、检索耗时显著下降。它不支持关于分块方式、嵌入模型、过滤实现、标注规模或测量方法的任何推断；这些在本次材料中没有正文，属于待核实。因此下面讨论的是接入前应自行确定的口径，而不是对 Kuken 做法的还原。

一、语料边界：哪些图纸进索引#

跨度几十年的图纸集合通常混着作废版本、重复扫描件、跨项目复用件和与维修无关的图纸。先写一条能复核的纳入规则，例如“某时间之后、某几类设备、状态为有效的图纸”，同时明确排除项和去重键。

判断标准很简单：给定任意一份文件，团队能凭规则一致地回答“进不进索引”，不需要逐案讨论。

二、检索单元：图纸、页还是文本块#

检索单元应当与使用者的最终动作对齐。工程师要的是一张可用于维修的图纸，那么返回单位就应该是“图纸 + 版本”，而不是一段相似文本。若图纸是扫描件，还需要先决定是否生成可检索文本（OCR 或图像描述），以及这些派生文本与原始图纸如何关联。

单元选得过细，召回片段多但拼不回一张图；选得过粗，一张图纸里多个部位的说明会被平均掉。这个取舍只能用自有语料试，不能照搬。

三、版本与有效性：区分“存在”和“当前有效”#

图纸有修订版和替代关系。索引里若只存文件路径，作废版很可能因为文本更相似而排在前面，检索变快反而放大错误。至少要把修订号、修订日期、状态（有效／作废／被替代）作为可过滤字段写入。

四、元数据与权限过滤#

权限必须在检索阶段生效，而不是取回结果后在前端隐藏。以下字段是常见的最小集合，具体取值按自身系统对齐：

五、更新与删除口径#

要提前回答三个问题：新图纸多久必须可检索；图纸作废后是删除、降权还是仅改状态；源文件被替换时是否重新生成派生文本。这三条决定增量任务的设计，事后补代价很高。

六、“算找到”的口径#

“4.5 分钟”这类数字包含人的判断，不能直接当检索指标。建议把它拆成可测的几项：正确图纸是否出现在前 N 条、返回的是否为有效版本、工程师确认所花的时间。先标注一个小规模问题集（例如几十条真实维修查询），再谈优化。

可以先写进配置的元数据示例（未执行）#

下面是字段结构的示意，用于对齐讨论，不是可运行配置，也未在任何系统中执行：

{
  "drawing_id": "DEMO-0001",
  "revision": "B",
  "status": "active",            // active | superseded | void
  "project": "example-project",
  "equipment_type": "cooling-tower",
  "source_path": "/demo/path/DEMO-0001-B.pdf",
  "permission_scope": ["team-a"],
  "updated_at": "2026-01-01"
}

示例中的标识、路径与时间为占位值，仅用于说明字段关系。

边界#

上述口径能减少“检索很快但结果不可用”的风险，但不能保证检索质量；质量仍取决于语料本身、派生文本的准确度与标注集的代表性。Kuken 案例的具体实现与测量条件，需以其发布方的完整材料为准，本次材料仅提供摘要。