接入腾讯混元Embedding实现语义检索，需用其将文本转为1024维向量并存入VectorDB；调用前须配置API密钥、开启GetEmbedding权限，知识库向量化推荐分块+异步写入，提问时须用同版本模型编码并支持filter混合检索。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
将腾讯混元Embedding接入检索流程，核心是用它把原始文本转为1024维向量，再通过向量数据库完成语义相似度匹配。不走这一步，后续所有“智能检索”都只是关键词硬匹配，无法识别“车辆保障”和“汽车保险”这类语义等价表达。
准备Embedding服务调用环境
登录腾讯云控制台 → 进入【Hunyuan】→ 【API密钥管理】→ 创建新密钥，记下SecretId和SecretKey；【务必开启GetEmbedding接口权限】，否则调用会直接返回403错误。
安装官方SDK：pip install tencentcloud-sdk-python。
这一步操作起来很简单，直接把文件拖进去就行。但要注意：API密钥一旦泄露，他人可无限调用你的配额，建议在代码中使用环境变量加载，而非明文写死。
对知识库文本进行向量化并入库
方法一：单次批量处理（适合文档总数＜50条）
调用GetEmbedding接口，传入InputList.N参数，一次性提交最多50个文本片段；每个文本长度不超过1024 Token，超长会被截断末尾——这意味着标题或关键句若在文本末尾，可能丢失语义锚点。
方法二：分块+异步写入（推荐用于企业级知识库）
① 使用langchain的RecursiveCharacterTextSplitter按段落切分PDF/Markdown原文，chunk_size设为256，overlap为64；
② 对每个chunk调用hunyuan-embedding生成向量；
③ 将向量+原始文本+metadata（如source、page、部门标签）一并写入腾讯云VectorDB；
④ 写入前确认VectorDB已开启filter标量过滤能力，否则无法按部门/日期等字段做混合检索。
用户提问时实时检索匹配
用户输入问题后，立即调用GetEmbedding接口生成该问题的1024维向量；【必须使用与知识库文本完全相同的混元Embedding模型版本】，否则向量空间不一致，余弦相似度计算结果完全不可信。
将问题向量提交至腾讯云VectorDB，设置top_k=5，开启cosine相似度排序；若需叠加业务规则（如仅召回近3个月文档），在filter参数中传入{"date":{"$gte":"2026-04-23"}}。
检索返回的不是原始文本，而是带score的Document ID列表——下一步要根据ID从原始存储（如COS或MySQL）中拉取完整上下文，再喂给混元大模型生成答案。
