旧向量索引换新模型
更换嵌入模型时，先用空间映射让旧索引继续服务，再找出真正需要重算的数据。
检索或推荐团队换用新嵌入模型时，最棘手的常常不是新模型效果，而是旧向量索引无法直接理解新向量。全量重算既昂贵又会拖慢迁移。团队接入旧索引、旧模型、新模型和一批已知相关的查询结果后，先让产品学习两套向量表示之间的转换关系。
迁移期间，新模型生成的查询向量先经过这层转换，再继续查询旧索引。影子请求会把旧路径与新路径的搜索结果放在一起，逐条标出哪些查询的前几条结果变化最大。工程师可以点开具体样本，看是商品别名、长尾语言还是某类内容导致排序偏移。
当某个数据分区的偏差超过团队设定的阈值，系统才把它排入重嵌入队列。偏差稳定的分区继续由兼容层服务，线上请求不必停下来等待全库重建。仪表盘给出当前可接受的误差范围、节省的重算量，以及每批迁移后结果是否收敛。
第一版聚焦文本检索的向量库，输出一个可部署的查询代理和分区迁移清单。它不承诺让任何两种模型完全等价，也不自动替团队选择新模型；它负责把换模型变成能逐段验证和回滚的工程过程。
为什么是现在
9月7日观察时，《Harnessing the Universal Geometry of Embeddings》进入 Hacker News 新品流第 19 位，记录为 35 points 和 3 comments。S1 论文提出跨嵌入空间转换，使旧索引兼容新查询再次成为可落地讨论。S2
目标用户
面向维护线上语义检索、推荐或 RAG 的搜索工程团队。触发时刻是旧模型将停用，或新模型已通过离线评估。此时全库重嵌入会占用预算和计算资源。团队又不能容忍切换后长尾查询悄悄失准，因此需要分段验证与明确回滚。
最小切入点
先支持 Qdrant 的 HTTP 或 gRPC 接口，并把代理放在查询生成与向量检索之间。S3 团队上传一批代表性文本，由新旧模型分别生成配对向量。用 NumPy 或 SciPy 拟合正交映射，并保留低秩仿射作为备选。S4 代理将新查询映射到旧空间，再请求现有索引。影子模式分别执行旧查询路径和映射路径，比较前列结果的重合与位次变化。首版只生成分区风险清单，不自动改写索引或触发全库迁移。
以小博大
首批用户可从 Qdrant、Weaviate 和 Pinecone 的工程社区触达。内容应围绕一次真实换模演练展开，公开影子查询差异和回滚步骤。再提供可本地运行的评估脚本，让团队先用自己的查询集验证。搜索基础设施顾问和 RAG 工程团队也可把它纳入迁移交付。
竞品与缝隙
怎么赚钱
按受管索引数和每月迁移作业量订阅收费。基础版提供单一向量库、影子对比和迁移清单。团队版增加审计记录、告警、权限与回滚支持。
反方视角
映射误差可能把相关结果悄悄挤出前列，监控却只看到请求成功。若新旧模型维度、语言覆盖或训练目标差异太大，简单变换可能无法保住排序。S4 为发现这类问题，团队必须准备有代表性的查询集和相关性判断。影子请求还会增加模型调用、检索流量与日志存储。分区策略若与实际语义边界不符，重嵌入清单会漏掉高风险内容。错误建议一旦进入生产迁移，会消耗工程师对整套工具的信任。