向量库统一接口与本地基线

结论

LangChain 统一 addDocuments、delete、similaritySearch 与 asRetriever，但过滤、ID、删除、索引、分数方向和一致性语义仍由具体后端决定。
Embedding model、维度、预处理、distance metric 和索引算法必须作为同一版本契约；不能在一个索引中混用。
MemoryVectorStore 是 exact linear search 的易用基线，只适合测试/小数据，不支持 ID 或删除，不能作为生产持久库。

路由去重

/vectorstores 与 /vectorstores/index 返回同一正文，两条原始路由都保留。本组覆盖 3 条路由。

统一接口与不可统一部分

能力	统一入口	后端差异
写入	`addDocuments()`	ID/upsert、批量、可见延迟、事务
删除	`delete()`	按 ID、filter、全删或不支持
检索	`similaritySearch(query, k, filter?)`	filter DSL、距离与分数方向
带分数	`similaritySearchWithScore()`	score 是否归一化、越大/越小越好
Retriever	`asRetriever()`	MMR、filter、search kwargs 支持不同

切换实现前必须用契约测试验证这些差异，不能因为 TypeScript 接口相同就直接替换。

相似度与索引

常见度量为 cosine、Euclidean/L2、dot product；ANN 常用 HNSW，也可能是 IVF 或后端专有算法。选择原则：

distance 与 embedding 模型建议匹配；
exact search 适合小集合与召回基线；
ANN 用延迟换近似召回，需联合调 m、construction/search ef、probe 等；
metadata 预过滤必须有字段索引，否则可能先扫后滤或显著拖慢查询。

MemoryVectorStore

它把 embedding 保存在进程内，以 cosine 为默认 metric，逐个做 exact linear search；可传自定义 ml-distance similarity。能力包括 predicate filter、带 score 查询、asRetriever() 与 MMR。

明确边界：

进程重启数据消失，实例间不共享；
O(n) 扫描，数据量和并发上升后延迟线性增长；
当前不支持 ID 和 deletion；
适合单元测试、算法验证和作为召回正确性的参照。

生产契约测试

同一固定语料验证 top-k、score 顺序、filter、空结果和重复 ID。
写后立即查、批量写、失败重试、delete 与 delete-all 验证一致性。
启动时校验 embedding dimension 与索引 schema，不匹配直接失败。
测量 p50/p95/p99、QPS、召回率、索引构建时长、存储与网络成本。
保存 index version 和 embedding fingerprint；重建后用双读/影子流量验证再切换。