必须使用外部向量库直连模式才能实现生产级检索，因内置引擎受限于10万向量上限、QPS瓶颈及不可调优的HNSW参数，仅适用于POC；超50万文档、延迟超800ms或多租户场景必须切换。
☞☞☞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☜☜☜
要在扣子（Coze）平台中对接大型矢量数据库并实现低延迟、高召回率的生产级检索，必须绕过默认的内置知识库向量引擎，改用外部向量库直连模式——这一步不可跳过，否则无法突破免费版10万向量上限与单节点QPS瓶颈。
确认是否需启用外部矢量库直连
进入Bot编辑页 → 点击左侧「知识库」→ 查看当前知识库状态栏。若显示“已启用向量索引（内置）”且无“外部向量服务”配置入口，则说明当前使用的是扣子托管向量引擎。【该引擎不支持自定义索引类型、分片策略或HNSW参数调优，仅适用于POC验证】。
只有当知识库规模超过50万文档、单次查询平均延迟高于800ms、或需支持多租户隔离/冷热分层时，才必须切换至外部矢量数据库直连。
配置OceanBase向量库接入参数
第一步：在OceanBase集群中创建专用向量表，并启用HNSW索引
执行以下SQL（注意替换embedding_dim为实际维度，如1024）：
CREATE TABLE coze_kb_vectors ( id VARCHAR(64) PRIMARY KEY, doc_id VARCHAR(128), chunk_text TEXT, embedding FLOAT_VECTOR(<strong>【embedding_dim】</strong>) NOT NULL, updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ) VECTOR_INDEX = 'hnsw', VECTOR_INDEX_PARAMS = '{"M":64,"efConstruction":300,"efSearch":128}';
第二步：为扣子Bot生成专用访问密钥
在OceanBase控制台 → 安全中心 → 创建新用户，授予SELECT, INSERT ON coze_kb_vectors权限；勾选“仅允许来自Coze出口IP段”的网络白名单（当前Coze全球出口IP列表见官方IP文档）。
第三步：在扣子Bot工作流中添加「自定义HTTP请求」节点
URL填OceanBase Proxy网关地址（如https://ob-proxy.yourcompany.com/v1/vector/search），请求头加入Authorization: Bearer <strong>【OceanBase专用密钥】</strong>，Body用JSON传入query_vector、top_k、filter条件。
混合检索路由策略配置
方法一：基于查询意图动态分流
在Bot工作流中插入「条件判断」节点，解析用户query是否含明确编号、日期、型号等结构化关键词（正则匹配\b[0-9]{4,}\b|\b[A-Z]{2,}-\d{4,}\b）。命中则走OceanBase关键词+向量联合查询；未命中则走纯语义向量检索。
方法二：双路召回+重排序融合
① 并行发起两个请求：一个调用OceanBase向量表（vector_search），一个调用扣子内置全文检索（keyword_search）；
② 将两路结果合并后送入「Rerank模型」节点，使用Coze内置rerank-v2-zh模型对Top-20片段做交叉打分；
③ 取重排序后Top-5片段输入大模型上下文。注意：【重排序必须在合并后执行，不能分别对两路结果独立rerank】，否则会丢失跨路相关性信号。
向量同步与实时更新机制
在知识库编辑页 → 「高级设置」→ 关闭「自动向量化」开关。所有文档切片后的embedding必须由外部系统生成并写入OceanBase。
同步流程：本地ETL脚本解析PDF/Word → 调用Embedding API（如Ernie-4.5T）生成向量 → 拼装成JSON批量POST到OceanBase /v1/vector/bulk_insert接口 → 成功后回调Coze Webhook触发Bot缓存刷新。
若某文档更新后未及时同步向量，将导致检索结果严重漂移。【务必在ETL脚本末尾加入校验逻辑：比对OceanBase中doc_id最新updated_at与源文件修改时间戳】。
