一、项目背景

我们的知识库每天都在灌新文档，写入量白天高、夜里低，波动很大。一开始向量库没做写入限流，某次营销活动带起一波集中上传，写入请求把索引进程压满，索引服务直接假死，检索也跟着变慢。更糟的是，那阵子正好要重建索引优化召回，重建期间老索引被占用，检索基本不可用，前端问答大面积超时，工单哗哗地来。

我们事后复盘，根因有两层：一是写入没有反压，高峰把资源吃满；二是重建索引和检索抢同一份资源，没有隔离也没有在线切换。向量库不是只管存，写入和重建都得有节奏，否则一处抖，全文检索都跟着抖，而这个检索又是好几个上游服务的依赖，牵一发而动全身。

二、落地场景

我们采用的向量数据库层支持增量索引和读写分离，但默认配置下写入和检索抢同一份资源。落地场景包括：高吞吐导入时启动写入反压，把超出承载的写入请求排队或限速，保护检索链路；增量索引实时合并，避免全量重建；重建索引走影子副本，建完再原子切换，切换期间老索引继续服务；读写分离，写入高峰检索不受影响。目标是让检索在写入风暴里也保持可用，同时索引新鲜度不掉太多，知识库当天的新文档当天能搜到。

三、关键技术挑战与解决思路

第一关是反压阈值。限得太狠导入慢、业务等不及，限得太松又回到压垮的老路，我们按实例的写入队列长度和 CPU 占用双指标触发反压，留了缓冲带，不是一触即发。第二关是在线切换，老索引在重建时不能停检索，我们改成先建影子索引，校验召回一致后再切流量，切的过程是秒级，业务无感。第三关是读写分离的资源隔离，之前写和读共用线程池，我们拆成两池并设上限，写入再猛也挤不到读。

有个插曲，第一次做影子切换时校验脚本漏了维度字段，切过去召回掉了，我们紧急回切并补了校验项，从此切换前必跑一致性比对，比对不过不让切。那个故障虽然只持续了几分钟，但足够让我们把流程钉死。

四、效果数据

写入反压上线后，索引服务在导入高峰的可用性从约八成提升到接近满格，检索 P95 延迟在写入风暴里基本平稳，不再跟着写入一起抖。索引重建从过去的停检索半小时，变成在线切换秒级完成，期间检索零中断。数据新鲜度延迟控制在分钟级，当天灌的文档当天可搜。我们做了一次极限压测，模拟活动峰值三倍的写入，检索侧依旧稳住。文中数据为项目复盘口径，已做脱敏。

五、可复用经验总结

向量库写入要有反压，这不是性能优化，是稳定性底线，没它写入一高就全员遭殃，检索挂了上游全跟着挂。索引重建千万别停检索，影子副本加在线切换是基本功，老办法停机重建在线上系统里已经不能接受了。切换前的一致性校验不能省，我们那次漏字段的事故，教训就是校验脚本要跟着 schema 走，schema 一变校验就得跟着补。读写资源隔离看着多余，真到写入风暴才知道值，共用线程池是最容易爆的隐藏雷。

向量库这块最大的认知转变，是把检索可用性当成一等公民，而不是性能调优的副产品。过去我们盯着写入速度和召回指标，觉得检索慢一点能忍，直到那次重建停检索把上游全带挂，才明白检索是依赖链的咽喉。现在任何影响检索的运维动作，我们都要求零中断方案，宁可多花功夫做影子切换也不停机。还有，反压的阈值不是配一次就完事，数据规模上去之后，原来的队列上限会显得宽松，我们把它和容量监控绑在一起，超过基线就告警。稳定性这种事，靠一次配置救不了一世，得变成日常巡检的一部分。

还有一个容易被忽略的点，反压本身也会引入写入延迟，业务侧偶尔会抱怨导入变慢。我们当时和写入方约定了分级策略，重要文档走优先通道几乎不限流，普通批量导入才进反压队列，这样既保住了检索，也没把正常导入卡死。这里的关键是别把反压当成对所有写入一视同仁的限速，得区分轻重。另外影子切换那套流程我们后来固化成了标准运维动作，任何索引变更都走影子加一致性校验再加原子切换，再没出现过停检索的事故。回过头看，这次事故虽然痛，但把我们的向量库运维规范整个提了一档，从救火式变成了有流程可依，长期来看是赚的。

最后记一句，反压的队列上限和实例规格要一起评估，不能脱离硬件单独定。我们曾因为升配后没同步调高阈值，结果老阈值反而成了新规格下的瓶颈，写入吞吐上不去查了半天才发现是配置没跟着走。容量和配置要绑定着看，这是运维里最容易忘的一层。

案例片段（已脱敏）： 写入反压与在线切换配置片段：write:  backpressure:    enabled: true    trigger_qlen: 5000    trigger_cpu: 85    mode: queue index_rebuild:  shadow: true  switch: atomic  consistency_check: required  read_write_split: true一次写入风暴的处置日志：[backpressure] ingest_qlen=5200, cpu=87, throttled=yes [rebuild] shadow_built=ok, recall_diff=0.3%, switch=atomic_ok [read] p95_latency=stable, outage=0漏字段回切记录（早期事故）：[switch] shadow_recall_drop=12%, auto_rollback=yes [fix] added dim_field to consistency_check