Vespa查询时无法识别嵌入ID，检索阶段嵌入功能异常

错误核心 #

检索时触发非法查询错误，提示存在多个嵌入器（x、y）但未指定使用哪一个，导致查询字符串无法完成嵌入处理。索引阶段正常，说明嵌入器配置本身有效，仅查询阶段缺少指定逻辑。

问题分析 #

1. 错误提示指向embed(x, qes?)调用未指定嵌入器ID，系统识别到x、y两个可用嵌入器，无法自动选择。
2. 查询代码存在两处关键问题：
   • YQL语句中的nearestNeighbor(x,y)未关联正确的查询嵌入参数，也未指定嵌入器
   • 请求body中的x,y写法无效，未正确传递查询嵌入或嵌入器指定信息
3. Rank Profile配置中inputs=[("query(query_embedding)", "ten")]的类型ten需确认是否与tensor字段的类型定义一致（当前映射中有tensor类型字段，可能存在类型不匹配）

解决方案 #

方案1：查询时明确指定嵌入器ID #

修改YQL语句，在embed调用中指定要使用的嵌入器（比如选择x），同时确保Rank Profile逻辑匹配：

result = self.vespa_app.query(
    yql="select * from sources * where {targetHits: 10}nearestNeighbor(x, embed(x, qes?, embedder(x))) and doc_id = " + f"{doc_id}",
    query=query,
    ranking="default",
    hits=1,
)

方案2：使用预计算嵌入向量（推荐） #

取消注释查询代码中预计算嵌入的逻辑，直接将生成的向量传入查询参数，避免在Vespa端触发自动嵌入：

def get_to(self, query: str, doc_id: int):
    with self.vespa_app.syncio(connections=12) as session:
        start = time.time()
        print(f"Got the Query:- {query}")
        st = time.time()
        # 预计算查询嵌入向量
        embeddings = self.vespa_obj.embedding_function.embed_query(query)
        print(f"Time to get the Embeddings:- {round(time.time()-st, 2)}s")
        result = self.vespa_app.query(
            yql="select * from sources * where {targetHits: 10}nearestNeighbor(x, query_embedding) and doc_id = "+ f"{doc_id}",
            ranking="default",
            # 将预计算的向量传入query_embedding参数
            body={"query_embedding": embeddings},
            hits=1,
        )
        assert(result.is_successfull())
        end = time.time()
        total_time = round(end-start, 2)
        print(f"Search time:- {total_time}s")
        return self.display_hits_as_df(result, self.vespa_obj.meta_variables+['text']), total_time

同时调整Rank Profile配置，确保与输入参数匹配：

self.app_package.schema.add_rank_profile(
    RankProfile(
        name="default",
        first_phase="closeness(x, query_embedding)",  # 匹配输入的query_embedding参数
        inputs=[("query(query_embedding)", "tensor<float>(d0:768)")],  # 替换为你的tensor实际维度
    )
)

方案3：设置默认嵌入器 #

在Vespa应用配置中指定默认嵌入器，避免每次查询手动指定：

self.app_package.add_model(
    Model(
        id="default_embedder",
        name="x",  # 指定默认使用x嵌入器
        type="tensor",
        parameters={"output": "tensor<float>(d0:768)"}
    )
)

关键注意事项 #

• 确保tensor字段的类型定义（比如type="tensor<float>(d0:768)"）与Rank Profile输入、嵌入向量维度完全一致
• 若使用Vespa内置嵌入模型，需在应用配置中正确注册所有嵌入器（x、y）并明确各自ID

内容的提问来源于stack exchange，提问作者user10516115