xb

xb (Extensible Builder) 使用场景决策指南

根据数据特征选择合适的技术方案

🎯 场景 1️⃣：语义搜索、个性化推荐

使用向量数据库（pgvector / Qdrant）

适用业务：

✅ 商品推荐（”买了 A 的用户还喜欢…“）
✅ 代码搜索（”查找相似的函数实现”）
✅ 客户服务（”查找类似的历史工单”）
✅ 内容推荐（”相似的文章、视频”）
✅ 图片搜索（”找相似的图片”）

数据特征：

数据碎片化（每条独立）
需要相似度匹配
无明确结构

xb 示例：

xb.Of(&Product{}).
    VectorSearch("embedding", userVector, 20).
    Eq("category", "electronics")

完整示例：

🎯 场景 2️⃣：结构化长文档分析

使用 PageIndex

适用业务：

✅ 金融年报分析（”2024 年财务稳定性如何？”）
✅ 法律合同检索（”第 3 章违约责任条款”）
✅ 技术手册查询（”安装步骤在第几页？”）
✅ 学术论文阅读（”方法论部分的内容”）
✅ 政策文件分析（”第 2.3 节的具体规定”）

数据特征：

长文档（50+ 页）
有明确的章节结构
需要保留上下文

xb 示例：

xb.Of(&PageIndexNode{}).
    Eq("doc_id", docID).
    Like("title", "财务稳定").
    Eq("level", 1)

完整示例：

PageIndex 应用

🎯 场景 3️⃣：混合检索（结构 + 语义）

使用 PageIndex + 向量数据库

适用业务：

✅ 研报智能问答（”科技板块的投资建议”）
✅ 知识库检索（既要结构，又要语义）
✅ 医学文献分析（”治疗方案相关章节”）
✅ 专利检索（”技术方案相似的专利”）

数据特征：

既有结构，又需语义
长文档 + 精确匹配需求

xb 示例：

// 第一步：PageIndex 定位章节
xb.Of(&PageIndexNode{}).
    Like("title", "投资建议").
    Eq("level", 2)

// 第二步：在章节内向量检索
xb.Of(&DocumentChunk{}).
    VectorSearch("embedding", queryVector, 10).
    Gte("page", chapterStartPage).
    Lte("page", chapterEndPage)

完整示例：

RAG 应用（混合检索架构）

🎯 场景 4️⃣：传统业务数据

使用标准 SQL（无需向量/PageIndex）

适用业务：

✅ 用户管理（”查找 18 岁以上用户”）
✅ 订单查询（”2024 年 1 月的订单”）
✅ 库存管理（”库存不足的商品”）
✅ 统计报表（”按地区统计销售额”）

数据特征：

结构化数据
精确条件匹配
无需语义理解

xb 示例：

xb.Of(&User{}).
    Gte("age", 18).
    Eq("status", "active").
    Paged(...)

🤔 快速决策树

你的数据是...

├─ 碎片化（商品、用户、代码片段）
│  └─ 需要"相似"匹配？
│     ├─ 是 → 向量数据库 ✅
│     └─ 否 → 标准 SQL ✅
│
└─ 长文档（报告、手册、合同）
   └─ 有明确章节结构？
      ├─ 是 → PageIndex ✅
      │  └─ 还需要语义匹配？
      │     └─ 是 → PageIndex + 向量 ✅
      └─ 否 → 传统 RAG（分块 + 向量）✅

💡 核心原则

不要纠结技术选型，看数据特征：

1️⃣ 数据碎片化 + 需要相似度

→ 向量数据库

2️⃣ 长文档 + 有结构 + 需要章节定位

→ PageIndex

3️⃣ 长文档 + 无结构 + 需要语义

→ 传统 RAG（分块 + 向量）

4️⃣ 结构化数据 + 精确匹配

→ 标准 SQL

5️⃣ 复杂场景

→ 混合使用

📊 对比表

维度	向量数据库	PageIndex	传统 RAG	标准 SQL
数据类型	碎片化	长文档	长文档	结构化
需要语义	✅	⚠️ 可选	✅	❌
需要结构	❌	✅	❌	✅
典型文档	商品、代码	报告、合同	文章、博客	用户、订单
查询方式	相似度	章节定位	相似度	精确匹配
响应时间	快（<50ms）	中（100-500ms）	快（<100ms）	极快（<10ms）
准确率	80-90%	95%+	70-85%	100%

🚀 实战案例

案例 1：电商系统

需求：
  - 商品推荐 → 向量数据库
  - 订单查询 → 标准 SQL
  - 用户管理 → 标准 SQL

方案：
  xb.Of(&Product{}).VectorSearch(...)  // 推荐
  xb.Of(&Order{}).Eq("user_id", ...)   // 查询

案例 2：金融机构

需求：
  - 年报分析（200+ 页）→ PageIndex
  - 相似企业查找 → 向量数据库
  - 客户信息 → 标准 SQL

方案：
  xb.Of(&PageIndexNode{}).Like("title", ...)  // 年报
  xb.Of(&Company{}).VectorSearch(...)         // 相似企业
  xb.Of(&Customer{}).Eq("region", ...)        // 客户

案例 3：技术文档平台

需求：
  - API 手册（500+ 页）→ PageIndex
  - 代码搜索 → 向量数据库
  - 博客文章 → 传统 RAG

方案：
  xb.Of(&PageIndexNode{}).Eq("level", 2)     // 手册章节
  xb.Of(&CodeSnippet{}).VectorSearch(...)    // 代码
  xb.Of(&ArticleChunk{}).VectorSearch(...)   // 博客

✅ 如何选择？

问自己 3 个问题

1. 数据是碎片化还是长文档？
   - 碎片化 → 向量 or SQL
   - 长文档 → PageIndex or RAG

2. 需要"相似"匹配还是"精确"匹配？
   - 相似 → 向量 or RAG
   - 精确 → SQL or PageIndex

3. 文档有没有明确的章节结构？
   - 有 → PageIndex
   - 无 → RAG

📚 相关文档

xb 支持所有场景 —— 一套 API，全部搞定！ ✅

最后更新: 2025-10-28
版本: v1.0.0

This site is open source. Improve this page.