veDB-Search 实战：多路召回，文搜万物

ALTER TABLE products ADD VECTOR INDEX `hybrid_idx`(    -- context 为文本列，用于文本内容检索    `context`,        -- emb1/emb2/emb3为三路独立的向量列，用于多路近似检索    `emb1`, `emb2`, `emb3`)    SECONDARY_ENGINE_ATTRIBUTE = '{        "distance": "cosine",    -- 指定距离算法        "scalar_fields": "category, discount, price"    -- 指定标量过滤列    }';

WITH -- 第一路：文本向量topk + 文本内容检索description_recall AS (    SELECT id, name, 2.0 as score, 'description' as recall_type    FROM products    WHERE MATCH(context) AGAINST("户外远足装备")     -- 支持文本检索    ORDER BY similarity(emb1, [0.1, 0.2, 0.3, 0.4]) DESC    LIMIT 50),
-- 第二路：商品图向量topk + 价格过滤 + 折扣过滤hot_item_recall AS (    SELECT id, name, 1.5 as score, 'item' as recall_type    FROM products    WHERE price BETWEEN 200 AND 400    AND discount > 0.10    --支持标量过滤    ORDER BY similarity(emb2, [0.1, 0.2, 0.3, 0.4]) DESC    LIMIT 50),
-- 第三路：商品详情图向量topkdetailed_recall AS (    SELECT id, name, 0.8 as score, 'detailed_item' as recall_type    FROM products    ORDER BY similarity(emb3, [0.1, 0.2, 0.3, 0.4]) DESC    LIMIT 50),
-- 合并三路结果combined AS (    SELECT * FROM description_recall    UNION ALL SELECT * FROM hot_item_recall    UNION ALL SELECT * FROM detailed_recall)
-- 最终排序输出SELECT id, name, score, recall_typeFROM combinedORDER BY score DESCLIMIT 100;

 WHERE      MATCH(context) AGAINST("户外远足装备")     AND (           price BETWEEN 200 AND 400           OR           discount > 0.10         )

SELECT * FROM articles WHERE     MATCH(title) AGAINST('database search' IN BOOLEAN MODE)    AND price BETWEEN 100.00 and 200.00;

SELECT     id,     title,     1 / (@k + RANK() OVER (ORDER BY score DESC)) AS partial_rrf  -- 结合窗口函数

SELECT    cosine_distance(emb1, [0.1, 0.2, 0.3]) as distance,    similarity(distance) * FACTOR as similarity -- 用户可以指定加权因子FROM articlesORDER BY similarity DESC

-- 指定最大距离过滤SELECT * FROM articles WHERE    cosine_distance(emb1, [0.1, 0.2, 0.3]) as distance < 2.0

/* 生成“三合一冲锋衣”对应的 embedding */SELECT to_embedding('doubao-embedding-large', '$model_key','三合一冲锋衣', 'content') AS title_vec;
/* 生成冲锋衣图片对应的 embedding */SELECT to_embedding('doubao-embedding-vision', '$model_key', 'https://example.com/product.jpg', 'image') AS img_vec;
/* 创建一张带 VECTOR 列的文档表，并创建一个 ANN Index 加速查询 */CREATE TABLE `document_asset` (  `id` BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键ID，自增唯一标识',  `content_vec` VECTOR (4096) NOT NULL COMMENT '文本内容，用于向量化',  ANN KEY `idx` (`content_vec`)) ENGINE=InnoDB COMMENT='文档表';
/* 插入一些示例数据 */INSERT INTO document_asset VALUES    (1, (select to_embedding('$model_id', '$model_key', 'MySQL 用户指南', 'content'))),    (2, (select to_embedding('$model_id', '$model_key', 'veDB-Search介绍', 'content'))),    (3, (select to_embedding('$model_id', '$model_key', 'RAG实际应用', 'content'))),    (4, (select to_embedding('$model_id', '$model_key', '定制AI Agent', 'content'))),    (5, (select to_embedding('$model_id', '$model_key', '向量数据库介绍', 'content')));
/* 对用户的输入语句：“如何试用MySQL”，完成 top 2 相似性召回 */SELECT id FROM document_assetORDER BYl2_distance(to_embedding('$model_id', '$model_key', '如何试用MySQL', 'content'), content_vec)LIMIT 2;

/* 创建一张电商产品表，带有混合索引。混合索引上定义了 embedding_pipeline */CREATE TABLE `products` (  `id` BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '主键ID，自增唯一标识',  `image_url` MEDIUMTEXT NOT NULL COMMENT '图片的url地址',  `type` INT NOT NULL DEFAULT 0 COMMENT '商品类型，用于标量过滤',  ANN KEY `idx` (`image_url`) SECONDARY_ENGINE_ATTRIBUTE = '{    "scalar_fields": "type",    "distance": "cosine",    "emb_pipeline": [      {        "col_name": "image_url",        "model_id": "$model_id",        "auth_key": "$model_key",        "type": "image"      }    ]  }') ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci COMMENT='选品向量表';
/* 插入一些原始图片URL数据，无需业务显式生成 embedding 值 */INSERT INTO products(id, image_url, type) values  (1, 'https://example.com/iphone17.jpg', 1),  (2, 'https://example.com/macbook.jpg', 1),  (3, 'https://example.com/ipad.jpg', 1),  (4, 'https://example.com/toothbrush.jpg', 2);
/* 召回 top 2 相似图片 */SELECT id FROM productsORDER BYl2_distance(embedding_pipeline('https://example.com/iphone15.jpg', 'image'), image_url) LIMIT 2;

SELECT product_id, title, img_urlFROM productsWHERE sales > 100 AND price < 500ORDER BYl2_distance(embedding_pipeline('三合一冲锋衣', 'text'), image_url)LIMIT 10;

SELECT product_id, title, img_urlFROM productsWHERE sales > 100 AND price < 500ORDER BYl2_distance(embedding_pipeline('https://example.com/product.jpg', 'image'), image_url)LIMIT 10;