文章目录每日一句正能量1. 背景与问题2. 环境与数据2.1 客户关系表2.2 文档画像和向量表2.3 客户行为时序表3. 复现过程3.1 只有关系筛选的局限3.2 只有向量检索的风险3.3 复现过滤后置问题4. 方案实施4.1 先定义强约束4.2 关系与向量联合查询4.3 组合 JSONB 标签4.4 使用时序行为重排4.5 性能观察4.6 部署与验证5. 结果对比5.1 性能与效果可视化分析6. 风险与复盘6.1 常见风险6.2 RTO 与 RPO6.3 复盘结论每日一句正能量“最美的蜕变常常包裹着最难熬的磨砺。”最高价值的获得往往与最艰难的付出成正比。不抗拒命运但始终选择看见光亮不否认黑暗但坚信根在生长。在日常中活出——一种清醒的、优美的、属于你自己的“活着”。1. 背景与问题客户画像系统通常已经积累了大量结构化信息客户等级、注册时间、所属区域、会员状态、消费金额、标签、最近活跃时间、投诉记录等。这些数据适合用关系数据库进行精确筛选。例如运营人员可以找到“近 90 天未消费、累计消费超过 5000 元、位于华东区域的客户”SELECTcustomer_id,customer_name,total_spendFROMcustomerWHEREregion_codeIN(CN-SH,CN-JS,CN-ZJ)ANDtotal_spend5000ANDlast_purchase_atnow()-interval90 days;但实际运营问题通常不止于精确筛选。运营人员还会提出语义型需求找出与近期频繁询问价格保护、续费优惠、竞品对比的高价值沉默客户相似的人群。这类问题无法只靠LIKE、枚举标签或固定规则解决。客户咨询摘要、客服会话、工单说明和运营备注中包含大量自然语言信息同样的意图可能有不同表达续费太贵准备换其他平台。 现在有没有保价活动 别家的方案价格低很多。 会员到期后暂时不考虑继续购买。如果只使用关系条件无法识别这些语义相近但词面不同的客户如果只使用向量检索又可能返回不符合客户等级、区域、授权范围和营销规则的人群。因此客户画像检索应采用多模联合方式关系数据客户等级、区域、消费、会员状态、合规状态 文档数据标签、会话摘要、工单内容和动态属性 时序数据访问、咨询、购买、退款和投诉变化 向量数据客户意图、相似问题和语义特征。核心原则是关系条件定义“哪些客户可以进入候选集” 向量检索定义“候选客户与目标意图是否相似” 时序行为定义“客户当前是否值得触达” 文档属性补充“为什么被选中”的解释。2. 环境与数据实验环境组件用途PostgreSQL 15客户主数据、权限、运营任务pgvector会话摘要和客户意图向量JSONB兴趣标签、渠道、偏好和扩展属性TimescaleDB浏览、咨询、订单、退款等行为事件Embedding 服务将客户会话摘要转换为向量查询 API条件校验、联合检索、审计和结果解释2.1 客户关系表CREATETABLEcustomer(customer_id UUIDPRIMARYKEY,tenant_idTEXTNOTNULL,customer_nameTEXTNOTNULL,customer_levelTEXTNOTNULL,region_codeTEXTNOTNULL,member_statusTEXTNOTNULL,total_spendNUMERIC(14,2)NOTNULLDEFAULT0,last_purchase_at TIMESTAMPTZ,marketing_consentBOOLEANNOTNULLDEFAULTFALSE,statusTEXTNOTNULLDEFAULTactive,created_at TIMESTAMPTZNOTNULLDEFAULTnow());CREATEINDEXidx_customer_segmentONcustomer(tenant_id,status,marketing_consent,customer_level,region_code,total_spend);marketing_consent是强约束字段。无论向量相似度多高未授权营销触达的客户都不能进入运营名单。2.2 文档画像和向量表CREATEEXTENSIONIFNOTEXISTSvector;CREATETABLEcustomer_profile_document(customer_id UUIDPRIMARYKEYREFERENCEScustomer(customer_id),tenant_idTEXTNOTNULL,profile_summaryTEXTNOTNULL,tags JSONBNOTNULLDEFAULT{}::jsonb,updated_at TIMESTAMPTZNOTNULLDEFAULTnow());CREATETABLEcustomer_intent_embedding(embedding_id UUIDPRIMARYKEY,customer_id UUIDNOTNULLREFERENCEScustomer(customer_id),tenant_idTEXTNOTNULL,source_typeTEXTNOTNULL,source_time TIMESTAMPTZNOTNULL,summaryTEXTNOTNULL,embedding_modelTEXTNOTNULL,embedding VECTOR(768)NOTNULL,metadata JSONBNOTNULLDEFAULT{}::jsonb,statusTEXTNOTNULLDEFAULTactive);CREATEINDEXidx_customer_embedding_hnswONcustomer_intent_embeddingUSINGhnsw(embedding vector_cosine_ops);CREATEINDEXidx_customer_embedding_filterONcustomer_intent_embedding(tenant_id,status,customer_id);CREATEINDEXidx_customer_profile_tagsONcustomer_profile_documentUSINGGIN(tags);source_type可以用于区分向量来源service_chat ticket_summary sales_note survey_feedback complaint2.3 客户行为时序表CREATEEXTENSIONIFNOTEXISTStimescaledb;CREATETABLEcustomer_event(ts TIMESTAMPTZNOTNULL,tenant_idTEXTNOTNULL,customer_id UUIDNOTNULL,event_typeTEXTNOTNULL,event_valueNUMERIC(14,2),attributes JSONBNOTNULLDEFAULT{}::jsonb);SELECTcreate_hypertable(customer_event,by_range(ts),if_not_existsTRUE);CREATEINDEXidx_customer_event_lookupONcustomer_event(tenant_id,customer_id,event_type,tsDESC);事件类型示例page_view consultation purchase refund complaint campaign_click coupon_claim3. 复现过程3.1 只有关系筛选的局限下面 SQL 可以找出高价值沉默客户SELECTcustomer_id,customer_name,total_spend,last_purchase_atFROMcustomerWHEREtenant_idtenant_aANDstatusactiveANDmarketing_consentTRUEANDcustomer_levelIN(gold,platinum)ANDtotal_spend5000ANDlast_purchase_atnow()-interval90 days;但这条查询无法判断客户沉默的原因。客户可能是满意但暂时没有需求也可能是对价格、服务、竞品或产品功能存在不满。对所有人使用同一种召回活动转化率通常不高。3.2 只有向量检索的风险错误方式是全量寻找“价格敏感”客户SELECTcustomer_id,summary,1-(embedding$1::vector)ASsimilarityFROMcustomer_intent_embeddingWHEREtenant_idtenant_aANDstatusactiveORDERBYembedding$1::vectorLIMIT100;这会包含已注销客户。未授权营销的客户。消费能力不匹配的客户。不在当前活动区域的客户。已投诉且不适合触达的客户。向量相似度只能说明文本意图接近不能替代业务资格判断。3.3 复现过滤后置问题WITHvector_topAS(SELECTcustomer_id,summary,1-(embedding$1::vector)ASsimilarityFROMcustomer_intent_embeddingWHEREtenant_idtenant_aORDERBYembedding$1::vectorLIMIT100)SELECTv.customer_id,v.summary,v.similarityFROMvector_top vJOINcustomer cONc.customer_idv.customer_idWHEREc.marketing_consentTRUEANDc.customer_levelIN(gold,platinum)ANDc.statusactiveORDERBYv.similarityDESCLIMIT20;如果全局 Top-100 中大部分客户不符合营销资格过滤后可能只剩少量结果。更严重的是无资格客户已进入应用候选集、日志或后续模型上下文。4. 方案实施4.1 先定义强约束客户画像检索必须区分强约束和弱排序。类型字段示例处理方式强约束租户、客户状态、营销授权、区域、黑名单必须在 SQL 中过滤业务筛选客户等级、累计消费、会员状态、最近消费时间通常在 SQL 中过滤弱排序意图相似度、近期浏览、活动点击、购买趋势用于候选重排解释信息标签、会话摘要、客服备注用于结果说明4.2 关系与向量联合查询目标是找到“高价值、已授权、超过 90 天未消费、且与价格敏感咨询语义相似”的客户。WITHeligible_customerAS(SELECTc.customer_id,c.customer_name,c.customer_level,c.region_code,c.total_spend,c.last_purchase_atFROMcustomer cWHEREc.tenant_id$2ANDc.statusactiveANDc.marketing_consentTRUEANDc.customer_levelIN(gold,platinum)ANDc.total_spend5000ANDc.last_purchase_atnow()-interval90 days),vector_candidatesAS(SELECTe.customer_id,e.summary,e.source_time,1-(e.embedding$1::vector)ASsemantic_scoreFROMcustomer_intent_embedding eJOINeligible_customer cONc.customer_ide.customer_idWHEREe.tenant_id$2ANDe.statusactiveANDe.source_typeIN(service_chat,ticket_summary)ORDERBYe.embedding$1::vectorLIMIT200)SELECTc.customer_id,c.customer_name,c.customer_level,c.region_code,c.total_spend,v.summary,v.source_time,v.semantic_scoreFROMvector_candidates vJOINeligible_customer cONc.customer_idv.customer_idORDERBYv.semantic_scoreDESCLIMIT20;该查询先使用关系模型限制业务边界再使用向量模型排序。最终结果既符合营销规则也保留语义相关性。4.3 组合 JSONB 标签客户画像往往有动态标签例如{preferred_channel:wechat,product_interest:[database,monitoring],price_sensitivity:high,industry:retail}查询“偏好微信触达、对数据库产品感兴趣”的客户SELECTc.customer_id,c.customer_name,p.tags,1-(e.embedding$1::vector)ASsemantic_scoreFROMcustomer cJOINcustomer_profile_document pONp.customer_idc.customer_idJOINcustomer_intent_embedding eONe.customer_idc.customer_idWHEREc.tenant_id$2ANDc.statusactiveANDc.marketing_consentTRUEANDp.tags {preferred_channel:wechat}ANDp.tags-product_interest?databaseANDe.statusactiveORDERBYe.embedding$1::vectorLIMIT20;高频筛选项应保留在普通列中。JSONB 更适合承载变化快、维度多、难以预先穷举的画像属性。4.4 使用时序行为重排向量结果相似不代表客户当前值得触达。可以按近 30 天行为进行重排WITHbehaviorAS(SELECTcustomer_id,count(*)FILTER(WHEREevent_typecampaign_click)AScampaign_clicks_30d,count(*)FILTER(WHEREevent_typeconsultation)ASconsultations_30d,max(ts)ASlast_active_atFROMcustomer_eventWHEREtenant_id$2ANDtsnow()-interval30 daysGROUPBYcustomer_id),semantic_candidatesAS(SELECTe.customer_id,max(1-(e.embedding$1::vector))ASsemantic_scoreFROMcustomer_intent_embedding eJOINcustomer cONc.customer_ide.customer_idWHEREe.tenant_id$2ANDc.statusactiveANDc.marketing_consentTRUEANDc.total_spend5000ANDe.statusactiveGROUPBYe.customer_idORDERBYmax(1-(e.embedding$1::vector))DESCLIMIT200)SELECTs.customer_id,s.semantic_score,coalesce(b.campaign_clicks_30d,0)AScampaign_clicks_30d,coalesce(b.consultations_30d,0)ASconsultations_30d,s.semantic_score*0.75ln(1coalesce(b.campaign_clicks_30d,0))*0.15ln(1coalesce(b.consultations_30d,0))*0.10ASfinal_scoreFROMsemantic_candidates sLEFTJOINbehavior bONb.customer_ids.customer_idORDERBYfinal_scoreDESCLIMIT20;这里的时序信号只用于排序不能覆盖营销授权、黑名单、客户状态等强约束。4.5 性能观察使用以下 SQL 查看联合查询计划EXPLAIN(ANALYZE,BUFFERS)SELECTe.customer_id,1-(e.embedding$1::vector)ASsemantic_scoreFROMcustomer_intent_embedding eJOINcustomer cONc.customer_ide.customer_idWHEREe.tenant_idtenant_aANDe.statusactiveANDc.statusactiveANDc.marketing_consentTRUEANDc.total_spend5000ORDERBYe.embedding$1::vectorLIMIT20;重点检查是否先过滤租户和授权 Rows Removed by Filter 是否过高 向量索引是否真正参与查询 Buffers 是否出现异常增长 不同客户分群下 P95 延迟是否稳定 过滤后 Top-K 是否仍能返回足够候选。4.6 部署与验证建议上线前执行以下验证[ ] 未授权营销客户不会进入任何候选集。 [ ] 已注销、黑名单和冻结客户不会被向量召回。 [ ] 同一客户多条会话不会重复占满 Top-K。 [ ] 画像标签更新后查询结果能够及时反映。 [ ] 向量生成失败时旧向量是否仍可控使用。 [ ] 时序行为服务异常时系统能回退到语义排序。 [ ] 查询日志不记录完整敏感会话内容。5. 结果对比以下是用于说明评估方法的示例结果正式发布应替换为真实压测与业务统计数据。方案客户资格合规率Top-20 语义相关率P95 延迟人群重复率仅关系筛选100%58%35 ms低仅向量检索74%84%72 ms高向量后置过滤100%69%88 ms中关系过滤下推 向量排序100%82%96 ms低联合查询 时序重排100%85%118 ms低从结果可以看出只用关系筛选合规但难理解客户当前意图。只用向量检索语义较强但容易违反业务规则。后置过滤会造成候选浪费和 Top-K 不足。关系过滤下推后语义结果和业务资格可以同时满足。时序行为重排能提升“当前可触达性”但应严格控制权重。建议持续监控授权过滤拦截数 Top-K 不足率 客户重复出现率 向量召回耗时 时序行为聚合耗时 活动触达后的点击、咨询和转化 投诉率与退订率。5.1 性能与效果可视化分析为了更直观地对比各方案的差异下面基于表格数据绘制两张 ASCII 图表。图 1客户资格合规率与 Top-20 语义相关率对比合规率 / 相关率 (%) 100 | ●───────────────●───────────────●───────────────● | │ │ │ │ 90 | │ │ │ │ | │ │ │ │ 80 | │ │ ●───● │ ●───● │ | │ │ │ │ │ │ │ │ 70 | │ │ ●───┤ │ │ │ │ │ | │ │ │ │ │ │ │ │ │ 60 | │ ●───● │ │ │ │ │ │ │ │ | │ │ │ │ │ │ │ │ │ │ │ 50 | └───┴───┴───────┴───┴───┴───┴───┴───────┴───┴───┴──▶ | 仅关系筛选 仅向量检索 向量后置过滤 关系过滤下推 联合查询 | 向量排序 时序重排 | | ● 客户资格合规率 ■ Top-20 语义相关率图 2P95 延迟递增趋势P95 延迟 (ms) 120 | ●───────────────● | │ │ 100 | ●───────────────●───┤ │ | │ │ │ │ 80 | ●───────────┤ │ │ │ | │ │ │ │ │ 60 | ●────┤ │ │ │ │ | │ │ │ │ │ │ 40 | │ │ │ │ │ │ | │ │ │ │ │ │ 20 | └────┴───────────┴───────────────┴───┴───────────────┴──▶ | 仅关系筛选 仅向量检索 向量后置过滤 关系过滤下推 联合查询 | 向量排序 时序重排从两张图可以清晰看出「关系过滤下推 向量排序」是性价比最优的方案。它在保持 100% 客户资格合规率的同时将 Top-20 语义相关率从「仅关系筛选」的 58% 大幅提升至 82%而 P95 延迟仅从 35ms 增加到 96ms相比「仅向量检索」的 72ms 也只多了 24ms却换来了合规率从 74% 到 100% 的质变彻底消除了业务违规风险。相比之下「联合查询 时序重排」虽然把语义相关率进一步推高到 85%但代价是延迟从 96ms 增至 118ms增加了 22ms。这 3% 的相关率提升是否值得取决于业务场景对于客单价高、转化周期长的精细化运营场景多花 22ms 换取更精准的触达名单、减少无效打扰通常是划算的但对于对延迟极度敏感、且已有足够候选量的场景这 3% 的边际收益可能并不明显此时「关系过滤下推 向量排序」已能覆盖绝大多数需求。6. 风险与复盘6.1 常见风险风险表现应对措施只做向量检索返回不符合资格的客户强约束下推到 SQL过滤条件后置Top-K 过滤后不足在候选前过滤画像数据过期触达策略失效设置更新时间和有效期标签滥用 JSONB高频查询变慢高频字段列化并建立索引多会话重复召回单客户占据候选列表按 customer_id 聚合或去重时序数据滞后热度排序偏差标记数据延迟并设置回退营销授权遗漏合规风险授权作为强制条件会话摘要泄露敏感信息暴露脱敏、最小化展示与审计向量模型混用分数无法比较记录模型版本并分批重建6.2 RTO 与 RPO项目建议目标客户主数据 RPO0营销授权变更生效1 分钟内客户画像更新到可检索10 分钟内向量索引故障 RTO30 分钟内降级或恢复行为重排故障 RTO5 分钟内回退至语义排序越权或违规触达容忍度06.3 复盘结论关系数据与向量数据联合查询不是把两张表简单JOIN起来而是为不同数据能力划定职责关系数据负责资格、权限、状态和业务边界 文档数据负责标签、偏好、来源和解释信息 时序数据负责活跃度、趋势和触达时机 向量数据负责自然语言意图和相似客户发现。推荐的生产查询路径是校验租户、权限和营销授权 - 关系筛选客户资格 - 文档标签过滤画像范围 - 向量检索相似意图 - 客户维度去重 - 时序行为重排 - 输出可解释的触达名单 - 记录审计与效果反馈最终验收不能只关注“是否找到相似客户”还必须确认客户是否满足业务和合规条件。相似意图是否有客服摘要或标签作为解释。近期时序行为是否支持当前触达决策。查询延迟、候选数量和重复率是否可控。用户反馈、退订率和投诉率是否被持续监控。转载自https://blog.csdn.net/u014727709/article/details/164884529欢迎 点赞✍评论⭐收藏欢迎指正 关系数据与向量数据联合查询
文章目录每日一句正能量1. 背景与问题2. 环境与数据2.1 客户关系表2.2 文档画像和向量表2.3 客户行为时序表3. 复现过程3.1 只有关系筛选的局限3.2 只有向量检索的风险3.3 复现过滤后置问题4. 方案实施4.1 先定义强约束4.2 关系与向量联合查询4.3 组合 JSONB 标签4.4 使用时序行为重排4.5 性能观察4.6 部署与验证5. 结果对比5.1 性能与效果可视化分析6. 风险与复盘6.1 常见风险6.2 RTO 与 RPO6.3 复盘结论每日一句正能量“最美的蜕变常常包裹着最难熬的磨砺。”最高价值的获得往往与最艰难的付出成正比。不抗拒命运但始终选择看见光亮不否认黑暗但坚信根在生长。在日常中活出——一种清醒的、优美的、属于你自己的“活着”。1. 背景与问题客户画像系统通常已经积累了大量结构化信息客户等级、注册时间、所属区域、会员状态、消费金额、标签、最近活跃时间、投诉记录等。这些数据适合用关系数据库进行精确筛选。例如运营人员可以找到“近 90 天未消费、累计消费超过 5000 元、位于华东区域的客户”SELECTcustomer_id,customer_name,total_spendFROMcustomerWHEREregion_codeIN(CN-SH,CN-JS,CN-ZJ)ANDtotal_spend5000ANDlast_purchase_atnow()-interval90 days;但实际运营问题通常不止于精确筛选。运营人员还会提出语义型需求找出与近期频繁询问价格保护、续费优惠、竞品对比的高价值沉默客户相似的人群。这类问题无法只靠LIKE、枚举标签或固定规则解决。客户咨询摘要、客服会话、工单说明和运营备注中包含大量自然语言信息同样的意图可能有不同表达续费太贵准备换其他平台。 现在有没有保价活动 别家的方案价格低很多。 会员到期后暂时不考虑继续购买。如果只使用关系条件无法识别这些语义相近但词面不同的客户如果只使用向量检索又可能返回不符合客户等级、区域、授权范围和营销规则的人群。因此客户画像检索应采用多模联合方式关系数据客户等级、区域、消费、会员状态、合规状态 文档数据标签、会话摘要、工单内容和动态属性 时序数据访问、咨询、购买、退款和投诉变化 向量数据客户意图、相似问题和语义特征。核心原则是关系条件定义“哪些客户可以进入候选集” 向量检索定义“候选客户与目标意图是否相似” 时序行为定义“客户当前是否值得触达” 文档属性补充“为什么被选中”的解释。2. 环境与数据实验环境组件用途PostgreSQL 15客户主数据、权限、运营任务pgvector会话摘要和客户意图向量JSONB兴趣标签、渠道、偏好和扩展属性TimescaleDB浏览、咨询、订单、退款等行为事件Embedding 服务将客户会话摘要转换为向量查询 API条件校验、联合检索、审计和结果解释2.1 客户关系表CREATETABLEcustomer(customer_id UUIDPRIMARYKEY,tenant_idTEXTNOTNULL,customer_nameTEXTNOTNULL,customer_levelTEXTNOTNULL,region_codeTEXTNOTNULL,member_statusTEXTNOTNULL,total_spendNUMERIC(14,2)NOTNULLDEFAULT0,last_purchase_at TIMESTAMPTZ,marketing_consentBOOLEANNOTNULLDEFAULTFALSE,statusTEXTNOTNULLDEFAULTactive,created_at TIMESTAMPTZNOTNULLDEFAULTnow());CREATEINDEXidx_customer_segmentONcustomer(tenant_id,status,marketing_consent,customer_level,region_code,total_spend);marketing_consent是强约束字段。无论向量相似度多高未授权营销触达的客户都不能进入运营名单。2.2 文档画像和向量表CREATEEXTENSIONIFNOTEXISTSvector;CREATETABLEcustomer_profile_document(customer_id UUIDPRIMARYKEYREFERENCEScustomer(customer_id),tenant_idTEXTNOTNULL,profile_summaryTEXTNOTNULL,tags JSONBNOTNULLDEFAULT{}::jsonb,updated_at TIMESTAMPTZNOTNULLDEFAULTnow());CREATETABLEcustomer_intent_embedding(embedding_id UUIDPRIMARYKEY,customer_id UUIDNOTNULLREFERENCEScustomer(customer_id),tenant_idTEXTNOTNULL,source_typeTEXTNOTNULL,source_time TIMESTAMPTZNOTNULL,summaryTEXTNOTNULL,embedding_modelTEXTNOTNULL,embedding VECTOR(768)NOTNULL,metadata JSONBNOTNULLDEFAULT{}::jsonb,statusTEXTNOTNULLDEFAULTactive);CREATEINDEXidx_customer_embedding_hnswONcustomer_intent_embeddingUSINGhnsw(embedding vector_cosine_ops);CREATEINDEXidx_customer_embedding_filterONcustomer_intent_embedding(tenant_id,status,customer_id);CREATEINDEXidx_customer_profile_tagsONcustomer_profile_documentUSINGGIN(tags);source_type可以用于区分向量来源service_chat ticket_summary sales_note survey_feedback complaint2.3 客户行为时序表CREATEEXTENSIONIFNOTEXISTStimescaledb;CREATETABLEcustomer_event(ts TIMESTAMPTZNOTNULL,tenant_idTEXTNOTNULL,customer_id UUIDNOTNULL,event_typeTEXTNOTNULL,event_valueNUMERIC(14,2),attributes JSONBNOTNULLDEFAULT{}::jsonb);SELECTcreate_hypertable(customer_event,by_range(ts),if_not_existsTRUE);CREATEINDEXidx_customer_event_lookupONcustomer_event(tenant_id,customer_id,event_type,tsDESC);事件类型示例page_view consultation purchase refund complaint campaign_click coupon_claim3. 复现过程3.1 只有关系筛选的局限下面 SQL 可以找出高价值沉默客户SELECTcustomer_id,customer_name,total_spend,last_purchase_atFROMcustomerWHEREtenant_idtenant_aANDstatusactiveANDmarketing_consentTRUEANDcustomer_levelIN(gold,platinum)ANDtotal_spend5000ANDlast_purchase_atnow()-interval90 days;但这条查询无法判断客户沉默的原因。客户可能是满意但暂时没有需求也可能是对价格、服务、竞品或产品功能存在不满。对所有人使用同一种召回活动转化率通常不高。3.2 只有向量检索的风险错误方式是全量寻找“价格敏感”客户SELECTcustomer_id,summary,1-(embedding$1::vector)ASsimilarityFROMcustomer_intent_embeddingWHEREtenant_idtenant_aANDstatusactiveORDERBYembedding$1::vectorLIMIT100;这会包含已注销客户。未授权营销的客户。消费能力不匹配的客户。不在当前活动区域的客户。已投诉且不适合触达的客户。向量相似度只能说明文本意图接近不能替代业务资格判断。3.3 复现过滤后置问题WITHvector_topAS(SELECTcustomer_id,summary,1-(embedding$1::vector)ASsimilarityFROMcustomer_intent_embeddingWHEREtenant_idtenant_aORDERBYembedding$1::vectorLIMIT100)SELECTv.customer_id,v.summary,v.similarityFROMvector_top vJOINcustomer cONc.customer_idv.customer_idWHEREc.marketing_consentTRUEANDc.customer_levelIN(gold,platinum)ANDc.statusactiveORDERBYv.similarityDESCLIMIT20;如果全局 Top-100 中大部分客户不符合营销资格过滤后可能只剩少量结果。更严重的是无资格客户已进入应用候选集、日志或后续模型上下文。4. 方案实施4.1 先定义强约束客户画像检索必须区分强约束和弱排序。类型字段示例处理方式强约束租户、客户状态、营销授权、区域、黑名单必须在 SQL 中过滤业务筛选客户等级、累计消费、会员状态、最近消费时间通常在 SQL 中过滤弱排序意图相似度、近期浏览、活动点击、购买趋势用于候选重排解释信息标签、会话摘要、客服备注用于结果说明4.2 关系与向量联合查询目标是找到“高价值、已授权、超过 90 天未消费、且与价格敏感咨询语义相似”的客户。WITHeligible_customerAS(SELECTc.customer_id,c.customer_name,c.customer_level,c.region_code,c.total_spend,c.last_purchase_atFROMcustomer cWHEREc.tenant_id$2ANDc.statusactiveANDc.marketing_consentTRUEANDc.customer_levelIN(gold,platinum)ANDc.total_spend5000ANDc.last_purchase_atnow()-interval90 days),vector_candidatesAS(SELECTe.customer_id,e.summary,e.source_time,1-(e.embedding$1::vector)ASsemantic_scoreFROMcustomer_intent_embedding eJOINeligible_customer cONc.customer_ide.customer_idWHEREe.tenant_id$2ANDe.statusactiveANDe.source_typeIN(service_chat,ticket_summary)ORDERBYe.embedding$1::vectorLIMIT200)SELECTc.customer_id,c.customer_name,c.customer_level,c.region_code,c.total_spend,v.summary,v.source_time,v.semantic_scoreFROMvector_candidates vJOINeligible_customer cONc.customer_idv.customer_idORDERBYv.semantic_scoreDESCLIMIT20;该查询先使用关系模型限制业务边界再使用向量模型排序。最终结果既符合营销规则也保留语义相关性。4.3 组合 JSONB 标签客户画像往往有动态标签例如{preferred_channel:wechat,product_interest:[database,monitoring],price_sensitivity:high,industry:retail}查询“偏好微信触达、对数据库产品感兴趣”的客户SELECTc.customer_id,c.customer_name,p.tags,1-(e.embedding$1::vector)ASsemantic_scoreFROMcustomer cJOINcustomer_profile_document pONp.customer_idc.customer_idJOINcustomer_intent_embedding eONe.customer_idc.customer_idWHEREc.tenant_id$2ANDc.statusactiveANDc.marketing_consentTRUEANDp.tags {preferred_channel:wechat}ANDp.tags-product_interest?databaseANDe.statusactiveORDERBYe.embedding$1::vectorLIMIT20;高频筛选项应保留在普通列中。JSONB 更适合承载变化快、维度多、难以预先穷举的画像属性。4.4 使用时序行为重排向量结果相似不代表客户当前值得触达。可以按近 30 天行为进行重排WITHbehaviorAS(SELECTcustomer_id,count(*)FILTER(WHEREevent_typecampaign_click)AScampaign_clicks_30d,count(*)FILTER(WHEREevent_typeconsultation)ASconsultations_30d,max(ts)ASlast_active_atFROMcustomer_eventWHEREtenant_id$2ANDtsnow()-interval30 daysGROUPBYcustomer_id),semantic_candidatesAS(SELECTe.customer_id,max(1-(e.embedding$1::vector))ASsemantic_scoreFROMcustomer_intent_embedding eJOINcustomer cONc.customer_ide.customer_idWHEREe.tenant_id$2ANDc.statusactiveANDc.marketing_consentTRUEANDc.total_spend5000ANDe.statusactiveGROUPBYe.customer_idORDERBYmax(1-(e.embedding$1::vector))DESCLIMIT200)SELECTs.customer_id,s.semantic_score,coalesce(b.campaign_clicks_30d,0)AScampaign_clicks_30d,coalesce(b.consultations_30d,0)ASconsultations_30d,s.semantic_score*0.75ln(1coalesce(b.campaign_clicks_30d,0))*0.15ln(1coalesce(b.consultations_30d,0))*0.10ASfinal_scoreFROMsemantic_candidates sLEFTJOINbehavior bONb.customer_ids.customer_idORDERBYfinal_scoreDESCLIMIT20;这里的时序信号只用于排序不能覆盖营销授权、黑名单、客户状态等强约束。4.5 性能观察使用以下 SQL 查看联合查询计划EXPLAIN(ANALYZE,BUFFERS)SELECTe.customer_id,1-(e.embedding$1::vector)ASsemantic_scoreFROMcustomer_intent_embedding eJOINcustomer cONc.customer_ide.customer_idWHEREe.tenant_idtenant_aANDe.statusactiveANDc.statusactiveANDc.marketing_consentTRUEANDc.total_spend5000ORDERBYe.embedding$1::vectorLIMIT20;重点检查是否先过滤租户和授权 Rows Removed by Filter 是否过高 向量索引是否真正参与查询 Buffers 是否出现异常增长 不同客户分群下 P95 延迟是否稳定 过滤后 Top-K 是否仍能返回足够候选。4.6 部署与验证建议上线前执行以下验证[ ] 未授权营销客户不会进入任何候选集。 [ ] 已注销、黑名单和冻结客户不会被向量召回。 [ ] 同一客户多条会话不会重复占满 Top-K。 [ ] 画像标签更新后查询结果能够及时反映。 [ ] 向量生成失败时旧向量是否仍可控使用。 [ ] 时序行为服务异常时系统能回退到语义排序。 [ ] 查询日志不记录完整敏感会话内容。5. 结果对比以下是用于说明评估方法的示例结果正式发布应替换为真实压测与业务统计数据。方案客户资格合规率Top-20 语义相关率P95 延迟人群重复率仅关系筛选100%58%35 ms低仅向量检索74%84%72 ms高向量后置过滤100%69%88 ms中关系过滤下推 向量排序100%82%96 ms低联合查询 时序重排100%85%118 ms低从结果可以看出只用关系筛选合规但难理解客户当前意图。只用向量检索语义较强但容易违反业务规则。后置过滤会造成候选浪费和 Top-K 不足。关系过滤下推后语义结果和业务资格可以同时满足。时序行为重排能提升“当前可触达性”但应严格控制权重。建议持续监控授权过滤拦截数 Top-K 不足率 客户重复出现率 向量召回耗时 时序行为聚合耗时 活动触达后的点击、咨询和转化 投诉率与退订率。5.1 性能与效果可视化分析为了更直观地对比各方案的差异下面基于表格数据绘制两张 ASCII 图表。图 1客户资格合规率与 Top-20 语义相关率对比合规率 / 相关率 (%) 100 | ●───────────────●───────────────●───────────────● | │ │ │ │ 90 | │ │ │ │ | │ │ │ │ 80 | │ │ ●───● │ ●───● │ | │ │ │ │ │ │ │ │ 70 | │ │ ●───┤ │ │ │ │ │ | │ │ │ │ │ │ │ │ │ 60 | │ ●───● │ │ │ │ │ │ │ │ | │ │ │ │ │ │ │ │ │ │ │ 50 | └───┴───┴───────┴───┴───┴───┴───┴───────┴───┴───┴──▶ | 仅关系筛选 仅向量检索 向量后置过滤 关系过滤下推 联合查询 | 向量排序 时序重排 | | ● 客户资格合规率 ■ Top-20 语义相关率图 2P95 延迟递增趋势P95 延迟 (ms) 120 | ●───────────────● | │ │ 100 | ●───────────────●───┤ │ | │ │ │ │ 80 | ●───────────┤ │ │ │ | │ │ │ │ │ 60 | ●────┤ │ │ │ │ | │ │ │ │ │ │ 40 | │ │ │ │ │ │ | │ │ │ │ │ │ 20 | └────┴───────────┴───────────────┴───┴───────────────┴──▶ | 仅关系筛选 仅向量检索 向量后置过滤 关系过滤下推 联合查询 | 向量排序 时序重排从两张图可以清晰看出「关系过滤下推 向量排序」是性价比最优的方案。它在保持 100% 客户资格合规率的同时将 Top-20 语义相关率从「仅关系筛选」的 58% 大幅提升至 82%而 P95 延迟仅从 35ms 增加到 96ms相比「仅向量检索」的 72ms 也只多了 24ms却换来了合规率从 74% 到 100% 的质变彻底消除了业务违规风险。相比之下「联合查询 时序重排」虽然把语义相关率进一步推高到 85%但代价是延迟从 96ms 增至 118ms增加了 22ms。这 3% 的相关率提升是否值得取决于业务场景对于客单价高、转化周期长的精细化运营场景多花 22ms 换取更精准的触达名单、减少无效打扰通常是划算的但对于对延迟极度敏感、且已有足够候选量的场景这 3% 的边际收益可能并不明显此时「关系过滤下推 向量排序」已能覆盖绝大多数需求。6. 风险与复盘6.1 常见风险风险表现应对措施只做向量检索返回不符合资格的客户强约束下推到 SQL过滤条件后置Top-K 过滤后不足在候选前过滤画像数据过期触达策略失效设置更新时间和有效期标签滥用 JSONB高频查询变慢高频字段列化并建立索引多会话重复召回单客户占据候选列表按 customer_id 聚合或去重时序数据滞后热度排序偏差标记数据延迟并设置回退营销授权遗漏合规风险授权作为强制条件会话摘要泄露敏感信息暴露脱敏、最小化展示与审计向量模型混用分数无法比较记录模型版本并分批重建6.2 RTO 与 RPO项目建议目标客户主数据 RPO0营销授权变更生效1 分钟内客户画像更新到可检索10 分钟内向量索引故障 RTO30 分钟内降级或恢复行为重排故障 RTO5 分钟内回退至语义排序越权或违规触达容忍度06.3 复盘结论关系数据与向量数据联合查询不是把两张表简单JOIN起来而是为不同数据能力划定职责关系数据负责资格、权限、状态和业务边界 文档数据负责标签、偏好、来源和解释信息 时序数据负责活跃度、趋势和触达时机 向量数据负责自然语言意图和相似客户发现。推荐的生产查询路径是校验租户、权限和营销授权 - 关系筛选客户资格 - 文档标签过滤画像范围 - 向量检索相似意图 - 客户维度去重 - 时序行为重排 - 输出可解释的触达名单 - 记录审计与效果反馈最终验收不能只关注“是否找到相似客户”还必须确认客户是否满足业务和合规条件。相似意图是否有客服摘要或标签作为解释。近期时序行为是否支持当前触达决策。查询延迟、候选数量和重复率是否可控。用户反馈、退订率和投诉率是否被持续监控。转载自https://blog.csdn.net/u014727709/article/details/164884529欢迎 点赞✍评论⭐收藏欢迎指正