RAG 文档发生局部更新时，如何通过增量索引避免全量重新向量化，并保证检索结果一致？

60 秒回答模板

RAG 文档局部更新时，不应全量重新向量化所有文档。更好的做法是把文档解析成稳定 chunk，基于内容 hash 和版本检测变更，只对新增、修改、删除的 chunk 更新索引，并保证查询侧看到一致版本。 建立文档版本模型：每个文档要有 docId、version、更新时间、权限、解析配置和 chunk 版本。没有版本，无法判断哪些向量和元数据已经过期。 变更检测到 chunk：用段落、标题、表格或语义边界切 chunk，并计算 hash。局部更新时比较旧新版 chunk，只重新 embedding 变化部分，未变化部分复用。 索引更新要原子：新增和修改 chunk 写入新版本，删除 chunk 标记 tombstone 或从索引移除。查询侧要么读旧版本，要么读新版本，避免混合读到半更新状态。 权限和元数据同步：RAG 不只是向量。权限、时间、业务标签、来源链接和召回过滤条件也要随版本更新，否则可能召回旧权限或过期内容。 回归验证检索质量：更新后用固定 query 集检查召回、排序、答案引用和删除生效。监控 embedding 队列延迟、失败重试、索引版本滞后和过期召回比例。 最后要把方案落到可验证的指标、失败兜底和迭代闭环上。面试里不要只讲概念名词，要说明边界、取舍、数据来源、线上观测和出问题后的回滚或人工介入。