标准回答
核心：增量而非全量
别每次都把整库删了重灌——慢、贵、还会造成空窗期。建一条增量 ingest 管线，按文档变更类型处理：
- 新增：切块 → 算 embedding → 写入索引。
- 修改：定位该文档的旧 chunk 删掉，重新切块入库（内容变了 chunk 边界也会变）。
- 删除：按文档 id 删掉它的所有 chunk 向量。
为此每个 chunk 要存来源文档 id、版本号、时间戳，才能精准增删改。
触发方式
可以事件驱动（文档系统有变更就发消息触发 ingest），也可以定时扫描比对。重要变更要近实时同步，避免用户拿到过期答案。
定期重建与校准
换 embedding 模型、调整切块大小、迁移向量库时，需要对全量数据重建一次索引。日常则定期做一致性校验，清理孤儿向量。
监控与治理
监控检索质量（召回是否下降）、识别陈旧内容（用时间戳标记过期文档）、处理重复（同一内容多份）和冲突（新旧版本并存）。陈旧和重复内容会拉低检索准确率甚至误导回答。
常见误区
⚠️ 常见踩坑
每次更新都全量删库重灌——既慢又贵，重建期间还有检索空窗；另一个坑是改文档时只加新 chunk 不删旧 chunk，导致新旧版本并存、检索出互相矛盾的过期内容。
追问
追问 1：文档被删了，怎么保证它的内容不再被检索到？
入库时给每个 chunk 记上来源文档 id，删除文档时按 id 把它派生的所有向量从索引里一并删掉。靠这个关联关系做级联清理，否则会留下「孤儿向量」——文档没了但片段还能被检索出来，造成幽灵答案。
追问 2：更换 embedding 模型时知识库要怎么处理？
必须用新模型对全量文档重新算一遍 embedding 并重建索引——新旧模型的向量空间不兼容，混用会让相似度计算失真、检索质量崩坏。建议在新索引上跑通并评测检索质量后再灰度切流，保留旧索引可回滚。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。