Method SearchEntityFiles

api/service/rag/entity_vector.go:167–264

SearchEntityFiles 根据实体名称搜索向量库，返回命中的文件ID列表和分数

(eid int64, name string, topK int)

// SearchEntityFiles 根据实体名称搜索向量库，返回命中的文件ID列表和分数
func (s *EntityVectorService) SearchEntityFiles(eid int64, name string, topK int) ([]EntitySearchHit, error) {
	if s.vectorDB == nil {
		return nil, fmt.Errorf("vector store unavailable")
	}
	if topK <= 0 {
		topK = 10
	}

	// 1. 生成搜索向量
	configService := NewChunkConfigService(s.db)
	config, err := configService.GetConfig(eid, nil, model.ChunkTypeDefault)
	if err != nil {
		return nil, err
	}
	if config.EmbeddingChannelID == nil {
		return nil, fmt.Errorf("未配置向量化渠道")
	}

	// 实体向量内容格式为 "Type:Name"，由于输入只有 name，我们搜索时也按此逻辑
	// 如果需要更精准，可以考虑只针对 Name 生成向量，或者尝试匹配所有可能的 Type
	// 这里目前采用通用的关键词 Embedding
	queryVec64, err := s.embedding.GetQueryEmbedding(eid, name, *config.EmbeddingChannelID, config)
	if err != nil {
		return nil, err
	}
	queryVec := make([]float32, len(queryVec64))
	for i, v := range queryVec64 {
		queryVec[i] = float32(v)
	}

	// 2. 向量库搜索
	req := vectorstore.SearchRequest{
		Collection:     model.GetEntityVectorCollectionName(eid),
		Vector:         queryVec,
		TopK:           topK,
		ScoreThreshold: 0,
	}
	ctx, cancel := context.WithTimeout(context.Background(), 2*time.Second)
	res, err := s.vectorDB.Search(ctx, req)
	cancel()
	if err != nil {
		// 如果集合不存在，说明没有索引数据，直接返回空
		if vectorstore.IsNotFoundError(err) {
			return []EntitySearchHit{}, nil
		}
		return nil, err
	}
	if res == nil {
		return nil, fmt.Errorf("search result is nil")
	}

	// 3. 聚合结果并查询关联的文件ID
	var hits []EntitySearchHit
	for _, r := range res.Results {
		if r.Metadata == nil {
			continue
		}