group_fqcd_jr/docs/superpowers/specs/2026-09-10-knowledge-retrieval-infra-design.md

# 设计文档：客服知识检索基础设施（子项目 A）

> 状态：待用户审阅
> 日期：2026-09-10
> 依赖关系：本文档是子项目 B（客服 Agent 本体）的前置依赖，须先完成本文档再启动 B。
> 权威来源优先级：本文档在"检索路径"上完全采纳桌面《15-知识检索接入方案.md》（架构负责人已批准的方案，不重新设计）；在"知识内容与安全边界"上采纳桌面《胜宇前期开发资料》文件夹内的
> 《客服Agent一期运行边界基线_v1.md》《客服Agent一期向量化前流程文档_v1.md》
> 《客服Agent知识库_QA问答对_v5_RAG发布候选版.txt》（v5.8，105 条）。
> `智能财富管家系统-业务与技术全景设计说明书.md`、`智能财富管家系统-完整项目流程文档.md`
> 两份文档确认为更早期的整体项目背景资料（不同技术栈），仅作背景参考，不作为本设计依据。

## 1. 背景与目标

客服 Agent 需要一条"检索知识库回答问题"的链路。现状：

- `fin_knowledge_meta`/`agent_faq_synonym` 两张表存在于数据库基线，但代码里没有任何 ORM、Repository 或 Service 使用它们。
- `KnowledgeReferenceService.resolve()` 是无条件抛异常的占位代码。
- `ModelGateway`/`ModelGenerationService` 只有文本生成能力，没有向量生成（embedding）能力。
- Milvus 服务本身可连通（健康检查通过），但没有任何集合，也没有任何写入或检索它的代码。
- 客服知识内容已经由业务方（胜宇）审核完毕，固化在 `客服Agent知识库_QA问答对_v5_RAG发布候选版.txt`（v5.8，105 条），文件本身声明状态为 `approved_candidate`，可直接作为向量化语料，**不需要在系统里另外实现一套"草稿→审核→发布"的在线知识库管理后台**——这是本轮讨论中被推翻的早期方向，纠正记录见第 8 节。

**目标**：把这 105 条已审核 QA 结构化导入数据库，建立"生成向量并写入 Milvus"和"检索"两条链路，产出一个公共只读工具 `query_knowledge`，供客服 Agent（子项目 B）调用。

## 2. 范围

**做什么**：
- `fin_knowledge_meta` 新增 ORM 映射（`milvus_collection` 已存在于基线，**不新增字段、不新增迁移**，见 §3.1）。
- `agent_faq_synonym` 新增只读 ORM 映射。
- 一次性结构化导入脚本：解析 QA 源文件 → 校验 → 写入两张表。
- `ModelGateway`/`ModelGenerationService` 新增 `embed()` 方法（阿里云 DashScope，`text-embedding-v3`，1024 维）。
- 只读 Milvus 检索适配器 + 检索服务 `KnowledgeRetrievalService`（三集合路由、配置驱动、MySQL 二次校验、降级兜底）。
- 写路径 Milvus 适配器（`upsert`/`delete`，与只读适配器代码隔离）+ 复用现有 `domain_event_outbox`/`OutboxWorker` 机制的向量同步 Worker。
- 公共工具 `query_knowledge` 注册进 `bootstrap.py`。
- 修复 `KnowledgeReferenceService.resolve()`（HMAC 签名 token）。

**不做什么（明确排除）**：
- 知识内容的在线创建/审核管理页面或接口（本轮只做一次性导入，未来如需运营团队自主维护知识库，是独立后续任务）。
- `fin_product_collection`、`fin_policy_collection` 两个集合的实际内容——105 条 QA 目前没有可靠依据区分"产品咨询"和"政策解释"两类，第一版**全部导入 `fin_faq_collection`**，另外两个集合建好但暂不populate，等有明确分类依据的内容时再拆分。
- `agent_faq_synonym` 的审核后台——本轮直接把 QA 文件里的"相似问法"写成 `status='approved'`（因为源文件本身已审核），不做同义词的独立审核流程。

## 3. 数据模型变更

### 3.1 `fin_knowledge_meta`

`docs/02` §6.2 已明确要新增 4 个字段：`content_text`、`tags`、`reviewer_id`、`review_status`。

**`milvus_collection` 的字段状态已经核实完毕：它已存在于不可变基线中，本设计不新增该字段，也不需要新增迁移。**

核实链路（可复现，不依赖任何一方的"没提到"这类间接证据）：

1. `docs/00-新数据库基线设计.md` §6.2 `fin_knowledge_meta` 字段表（第 871 行）：
   `| milvus_collection | VARCHAR(64) | 非空 | Milvus 集合名 |`——**未标 🆕**，而同表其它 7 个字段
   （`effective_date`/`expire_date`/`content_text`/`tags`/`reviewer_id`/`review_status` 等）都带 🆕 标记。
   这个对照本身就是"它是基线自带、不是新增字段"的直接证据。
2. `docs/02-数据库建表设计.md` 的 ALTER TABLE 清单没提它，**不构成矛盾**——该清单只列"需要在基线上补充的字段"，
   基线已有字段本就不该出现在里面。此前把"没提到"当成矛盾是误读，此处更正。
3. `tools/generate_baseline_sql.py` 从 `docs/00` 的字段表生成 `alembic/baseline_generated.sql`，
   生成的 DDL 中该列为 `milvus_collection VARCHAR(64) NOT NULL`，并经 `tools/audit_schema.py`
   作为期望 schema 的一部分参与审计。

**对实施的影响（与原稿的关键差异）**：

- 不写新增字段的 Alembic 迁移；只写 ORM 映射。
- 该列是 **`NOT NULL` 且无默认值**（不是原稿假设的"可空"），所以 §4 的导入脚本**必须为每一行显式赋值**
  `milvus_collection`，不能依赖默认值——这一点原本就是设计意图，现在从"设计选择"变为"数据库强约束"。
- 实施时仍需对现库做一次 Inspector/`audit_schema.py` 复核，确认现库确实是按这份基线建的表；
  但这属于**常规环境一致性校验**，不再是"设计上悬而未决的未知项"。

同表 `version`、`effective_date`、`expire_date` 三个字段的状态沿用同一条核实链：`docs/00` 中
`version` 无 🆕 标记（基线自带），`effective_date`/`expire_date` 带 🆕 标记（由后续迁移补充），
`alembic/baseline_generated.sql` 中三者齐全，因此本设计同样**不新增这三个字段**。

**另外提醒**：桌面另有一份《智能客服Agent新增表详细设计.md》（2026-01-08，v1.0），是 `docs/00` 引用但已过期的草稿，
其 `agent_negative_word`/`svc_handover_ticket`/`agent_faq_synonym`/`conversation_feedback` 字段定义与代码实际实现
（`docs/02` + 现有 ORM/governance.py 查询）不一致，本设计文档不采用，实施时也不应参考该文件。

### 3.2 ORM 映射（新增文件 `app/model/knowledge.py`）

```python
class KnowledgeMeta(Base):
    __tablename__ = "fin_knowledge_meta"
    # 字段对齐 docs/02 §6.2 + 本文档 §3.1，只读字段沿用既有定义，不重复列出全部历史字段

class FaqSynonym(Base):
    __tablename__ = "agent_faq_synonym"
    # 只读映射，字段对齐 docs/02 §7.3
```

具体字段清单在实现阶段对照 `docs/00-新数据库基线设计.md` 和 `docs/02-数据库建表设计.md` 逐字段核对，不在本设计文档重复抄写 DDL。

## 4. 一次性结构化导入

### 4.1 源文件字段映射

按《客服Agent一期向量化前流程文档_v1.md》§4 定义：

| 源文件字段 | 目标 | 说明 |
|---|---|---|
| `qa_id`（如 `RAG-PER-001`） | 存入 `KnowledgeMeta.tags` JSON（如 `{"qa_id": "RAG-PER-001"}`），不新增字段 | 保持原始编号，不重新编号 |
| `问题` | `KnowledgeMeta.title` | |
| `相似问法`（`\|` 分隔） | `FaqSynonym.phrase`（每个变体一行） | 去空、去重 |
| `回答` | `KnowledgeMeta.content_text` | 原文照抄，不改写 |
| `phase`固定 `phase_1`、`source_version`固定 `v5.8` | `KnowledgeMeta.tags`（JSON） | |
| 状态 | `KnowledgeMeta.review_status = 'published'`、`FaqSynonym.status = 'approved'`、`FaqSynonym.source_type = 'import'` | 因为源文件本身已是 `approved_candidate`；`source_type='import'` 是 `docs/02` §7.3 DDL 里已经定义好的合法枚举值 |
| 分类 | `KnowledgeMeta.milvus_collection = 'fin_faq_collection'`（全部，本轮不拆分） | 见第 2 节 |
| （源文件无对应字段） | `KnowledgeMeta.knowledge_type`、`KnowledgeMeta.status`、`KnowledgeMeta.created_at`、`KnowledgeMeta.updated_at` | **这些列在 DDL 里都是 `NOT NULL` 且无默认值，导入脚本必须显式赋值**，不能依赖数据库默认 |

**`FaqSynonym` 侧还有三个非空列必须显式赋值，原稿遗漏了**：`docs/02` §7.3 的 `agent_faq_synonym` DDL 里
`created_by BIGINT UNSIGNED NOT NULL`，另有可空的 `reviewer_id`/`reviewed_at`。由于本轮是脚本导入而非人工操作，
`created_by` 需要一个**明确的"系统导入"账号 ID**，不能凭空填 0 或 NULL：

- **该列带外键约束**：`CONSTRAINT fk_synonym_created_by FOREIGN KEY (created_by) REFERENCES sys_user(id)`
  （`reviewer_id` 同样有 `fk_synonym_reviewer`）。所以填的必须是一个**真实存在的 `sys_user.id`**，
  否则导入会在数据库层直接失败。实施时使用一个已存在的运维/管理员账号 ID，或按项目既有做法新增一个专用系统导入账号；
  具体取值在实施计划里作为显式前置步骤确认，不在本文档臆断。
- `reviewer_id`/`reviewed_at` 建议一并填入同一账号与导入时间——它们可空，但填上可以让"这批同义词是谁在什么时候
  导入的"可追溯，符合源文件本身已经过审核的事实。
- `normalized_phrase` 与 `phrase_hash` 按 `docs/02` §7.3 已有明文约定实现：**`phrase_hash` 由应用对完整
  `normalized_phrase` 计算 SHA-256**（目的是避免索引仅用 191 前缀时把不同长文本误判为重复），
  不自行发明算法。去重依据是唯一索引 `uk_faq_synonym (knowledge_id, phrase_hash)`，
  所以 §4.1 里"相似问法去重"应落在 `normalized_phrase` 归一化之后做。
- `status` 有 CHECK 约束 `IN ('pending','approved','disabled','archived')`，本设计用的 `'approved'` 合法。

### 4.2 导入校验规则（不通过则整体不导入）

- 记录数必须等于源文件声明的 105 条；
- `qa_id` 不重复；
- 每条必须有问题、至少一个相似问法、完整答案；
- 答案文本与源文件逐字一致（防止转录出错）。

### 4.3 实现形式

一次性管理脚本（例如 `tools/import_knowledge_seed.py`），而非常驻的 HTTP 写接口——因为本轮明确不做知识管理后台。脚本可重复执行（先清空本次导入批次再重新写入，或按 `qa_id` upsert），便于源文件升级到 v5.9 等后续版本时重新运行。

### 4.4 导入后的向量同步

复用第 5 节的写路径：导入脚本对每条新写入/更新的记录，在同一批次结束后，写入 `domain_event_outbox`（`event_type="knowledge.vector_sync_requested"`），交给 Worker 异步生成向量并写入 Milvus，导入脚本本身不直接调用 Milvus 写入。

## 5. 写路径（生成向量并同步 Milvus）

### 5.0 建立 Milvus 集合（两份来源文档都未覆盖的空白，本节补齐）

《15-知识检索接入方案.md》和本文档早期版本都只把"Milvus 三集合已建"当作前置条件，没有说明谁建、怎么建。
本节补上这一步，作为写路径里实际最先执行的动作。

**集合结构**（`fin_faq_collection`/`fin_product_collection`/`fin_policy_collection` 三个集合结构相同，仅名字不同）：

| 字段 | 类型 | 说明 |
|---|---|---|
| `knowledge_id` | VARCHAR(64)，主键 | 对应 `KnowledgeMeta.id` 的字符串形式，与读路径 `KnowledgeHit.knowledge_id: str` 类型一致 |
| `title` | VARCHAR(256) | 对应问题标题 |
| `snippet` | VARCHAR(4000) | 对应标准答案全文（这批 QA 答案长度都在几百字以内，4000 字节留足余量） |
| `tags` | VARCHAR(512) | 逗号拼接的标签字符串（不用 Milvus JSON 字段类型，避免不同 pymilvus 版本对 JSON 字段支持不一致的风险） |
| `version` | VARCHAR(16) | 对应源版本号，如 `v5.8` |
| `embedding` | FLOAT_VECTOR(1024) | text-embedding-v3 输出向量 |

索引：向量字段使用 `AUTOINDEX`，`metric_type="COSINE"`——必须和读路径适配器 `search()` 时用的 `metric_type` 一致，
否则检索结果不可信。数据量小（105 条起步），不需要额外调优索引参数。

**建立方式**：新增一次性脚本 `tools/setup_milvus_knowledge_collections.py`，对三个集合分别执行"若不存在则创建
（`has_collection` 判断，幂等）+ 创建向量索引 + `load()` 载入内存"。此脚本与 `alembic upgrade head` 是并列的
独立环境初始化步骤，不通过 Alembic 管理（Milvus 不是关系型数据库，没有对应的迁移框架）。每个环境（本地/测试/生产）
部署时都需要单独执行一次。

执行顺序建议：`tools/audit_schema.py`（确认现库与基线一致，不再需要为 `milvus_collection` 做字段核实）→
`python tools/setup_milvus_knowledge_collections.py` → `python tools/import_knowledge_seed.py`（第 4 节的一次性导入，
导入后触发第 5.3 节的向量同步）。

### 5.1 Embedding 出口

采纳《15-知识检索接入方案.md》步骤 1 的设计：给 `ModelGateway` 协议新增 `embed()` 方法，`ModelGenerationService` 新增对应封装方法。模型端点为阿里云 DashScope `text-embedding-v3`（1024 维），通过 `ModelEndpointConfig` 新增一条 `capabilities=["embedding"]` 的记录，密钥走 `secret_ref`。

**这条 `ModelEndpointConfig` 记录不需要新写代码创建**：平台已有通用管理端资源接口
（`app/api/controllers/admin.py` 已注册 `model-endpoints` 资源类型），用管理员账号调用现有接口新增即可。
新增时除了 `base_url`/`model_name`/`secret_ref`/`capabilities` 外，`EndpointPayload` 还要求
`allowed_data_levels`（数据级别清单，需要和现有其他端点记录的取值约定保持一致，不要凭空发明新值）和
`context_window`（正整数，DashScope `text-embedding-v3` 的单次输入 Token 上限，需查官方文档确认具体数值）两个必填字段，
实施时不要漏填。

DashScope OpenAI 兼容接口地址为 `https://dashscope.aliyuncs.com/compatible-mode/v1`，`secret_ref` 格式固定为
`env:XXX`（大写字母/数字/下划线），对应 `.env` 里新增一行真实 Key（不提交 git），`.env.example` 只放变量名占位。
本次确认可以复用团队已有的 DashScope 账号 Key，不需要新申请，但需要确认该账号的额度/计费方式能覆盖本项目的调用量。

**补充一处读路径文档未展开的实现细节**：`ModelGenerationService.embed()` 委托给 `self.dispatch.embed(...)`，
意味着 `ModelDispatchService`（`app/service/model_gateway.py` 现有类）也需要新增 `embed()` 方法，
镜像其 `generate()` 方法已有的"按顺序尝试多个已批准端点、全部失败才报错"的重试逻辑，读路径文档的代码片段里没有
单独给出这个方法体，实施时需要照 `generate()` 的模式补上，而不是漏掉。

**从现有代码读出的三处实现约束（原稿未覆盖，实施时容易踩）**：

1. **路由必须按能力筛选，否则会把 embedding 请求打到聊天端点上**。`ModelRouterService.select_endpoint()`/
   `select_with_fallback()` 支持 `required_capability` 参数（`app/service/model_router_service.py` 第 19/34 行），
   现有 `generate()` 链路依赖它做能力筛选。新增的 embedding 链路解析端点时必须传
   `required_capability="embedding"`，与新端点记录 `capabilities=["embedding"]` 对应。
2. **HTTP 路径是 `/embeddings`，不是复用 `/chat/completions`**。`OpenAICompatibleGateway.generate()` 内部写死
   `endpoint.base_url.rstrip("/") + "/chat/completions"`（`model_gateway.py` 第 56 行）；embedding 需要新增一条
   请求路径为 `/embeddings`、请求体为 `{"model": ..., "input": ...}`、响应从 `body["data"][0]["embedding"]`
   取向量的实现。DashScope 的 `compatible-mode/v1` 同时提供这两条路径，所以 `base_url` 可以沿用同一套约定。
3. **`DatabaseModelGateway` 也需要一个 `embed()` 镜像**：它现在从 `ModelEndpointConfig` 动态取端点、再构造
   `OpenAICompatibleGateway`（`model_gateway.py` 第 83-99 行），embedding 要走同一条"从库取配置"的路径，
   不能另起一套端点解析逻辑。

`secret_ref` 校验沿用 `EnvironmentSecretResolver.resolve()` 的既有约定：**必须以 `env:` 开头**
（`model_gateway.py` 第 27-28 行硬校验），否则直接抛 `RecoverableAgentError`；变量名从环境读取，缺失同样报错。

### 5.2 写路径 Milvus 适配器（与读路径隔离）

新文件 `app/infrastructure/milvus_knowledge_writer.py`，只提供：

```python
class MilvusKnowledgeWriter:
    async def upsert(self, *, collection: str, knowledge_id: str,
                     vector: list[float], fields: dict[str, Any]) -> None: ...
    async def delete(self, *, collection: str, knowledge_id: str) -> None: ...
```

与《15-知识检索接入方案.md》里"只读"的 `MilvusKnowledgeClient` 是两个不同的类、不同的文件，检索路径永远不持有写权限的客户端实例。

### 5.3 Outbox Worker Handler

复用已有的通用 `domain_event_outbox` + `OutboxWorker`（`app/worker/outbox_worker.py`），不新建专用表。新增两个事件类型的 handler：

- `knowledge.vector_sync_requested`：按 `knowledge_id` 重新从 MySQL 读取最新已发布内容 → 调用 `embed()` → 校验向量维度等于 1024（不等则失败，交给 Outbox 重试机制，不静默降级）→ `MilvusKnowledgeWriter.upsert()`。
- `knowledge.vector_delete_requested`：知识下线（`review_status` 转为 `archived`）时触发，调用 `MilvusKnowledgeWriter.delete()`。即使删除失败也不影响安全性——读路径的 MySQL 二次校验（见第 6 节）会挡住已下线内容，这是纵深防御，不是唯一防线。

失败重试完全复用 `OutboxWorker` 已有的指数退避、5 次上限、死信标记机制，不新写重试逻辑。

## 6. 读路径（检索）

完全采纳《15-知识检索接入方案.md》第 3-8 步的设计，不重新设计，仅摘要关键约束供本文档自成一体地被理解：

- 三集合按意图路由：`faq→fin_faq_collection(top_k=3)`、`product_inquiry→fin_product_collection(top_k=5)`、`policy_explain→fin_policy_collection(top_k=5)`（本轮只有第一个集合有数据）。
- 集合白名单强校验，非白名单集合名一律拒绝。
- Milvus 命中后必须回查 `fin_knowledge_meta`，确认 `review_status='published' AND status='active'` 且在有效期内，防止已下线知识被检索到。
- Milvus 不可用时降级为 MySQL `content_text LIKE` 关键词检索，降级结果标记 `degraded=True`，同样执行"已发布+有效期"过滤。
- Embedding 维度与集合定义不一致时**失败关闭**，不得静默返回空结果或错误结果。
- 公共只读工具 `query_knowledge` 注册进 `bootstrap.py`，`allowed_roles` 含 `customer`（区别于 `query_financial_data` 不含 customer）。
- `KnowledgeReferenceService.resolve()` 改为 HMAC 签名 token 校验 + 真实查询 `fin_knowledge_meta`，返回脱敏元数据、不返回全文。

## 7. 测试计划

在《15-知识检索接入方案.md》第 8 步既有测试计划基础上，补充导入相关测试：

| 类型 | 覆盖 |
|---|---|
| 单元 | 导入校验：105 条数量、编号唯一、字段完整、答案与源文件一致；破坏其中一项应导致整体导入失败 |
| 单元 | `embed()` 返回维度不等于 1024 时失败关闭 |
| 集成（真实 MySQL） | 导入后能查到 105 条 `review_status='published'` 记录；`agent_faq_synonym` 条数等于所有相似问法之和 |
| 集成 | Outbox handler：向量生成失败时重试，达到上限进入死信，不阻塞已发布记录本身的可读性 |
| （沿用读路径文档）| 意图路由集合与 TopK 正确；非法集合名拒绝；降级仍执行有效期过滤；跨已下线内容不可检索 |

## 8. 本轮讨论中的方向修正记录

为避免后续协作者困惑，记录一次被推翻的设计方向：讨论初期曾计划新建完整的知识库在线审核后台（草稿→审核→发布状态机、管理端 HTTP 接口、创建人不得审核自己等），对齐 `config_release_service` 的模式。读到胜宇提供的《客服Agent一期向量化前流程文档_v1.md》后确认：一期知识内容已经是审核完毕的静态文件（v5.8，105 条），系统只需一次性结构化导入，不需要在线管理后台。该方向已放弃，本文档第 4 节的"一次性导入脚本"取代了原计划。

## 9. 开工前必须确认（沿用读路径文档 + 本轮新增）

1. 可用的 `text-embedding-v3` 端点（`base_url`/`model_name`/`secret_ref`），维度确认为 1024。
2. Milvus 三集合的建立已在第 5.0 节纳入本方案范围（`tools/setup_milvus_knowledge_collections.py`），不再是外部前置条件；
   但需要和胜宇那边确认他是否已经自行建过同名集合，避免重复建或字段结构对不上（例如他本地测试环境可能已建了一份不同字段的
   `fin_faq_collection`，需要先核实、必要时统一）。
3. `pymilvus` 异步客户端可用性确认（决定读写/建集合三类操作的具体实现方式，AsyncMilvusClient 不可用则需用
   `anyio.to_thread.run_sync` 包装同步客户端）。
   **已核实（2026-09-10，见第 10 节）：目标环境 `pymilvus 2.6.17` 提供 `AsyncMilvusClient`，且
   `has_collection`/`create_collection`/`create_index`/`load_collection`/`upsert`/`delete`/`search` 全部具备。
   因此三类操作直接用原生异步客户端实现，`anyio.to_thread` 包装方案**不需要**。**
4. 源文件后续升级（如 v5.9）时，重新运行导入脚本的责任人和时机需要约定。
5. 导入脚本写入 `agent_faq_synonym.created_by` 所使用的那一个真实 `sys_user.id`（外键约束要求存在），
   由实施计划显式确认，见 §4.1。

## 10. 交接后的核实记录（2026-09-10，接手方补充）

本轮接手时对照代码与文档逐条核实了第 9 节的外部事实，结论如下（**只记录已复核的事实，未复核的保持"待确认"**）：

| # | 事项 | 结论 | 依据 |
|---|---|---|---|
| 1 | `fin_knowledge_meta.milvus_collection` 是否已存在 | **已存在于基线，无需新增字段与迁移**；且为 `NOT NULL` 无默认值 | `docs/00` §6.2 第 871 行无 🆕 标记（同表其它 7 字段均有）；`alembic/baseline_generated.sql` 生成的 DDL 含该列并通过 `tools/audit_schema.py` 审计 |
| 2 | `fin_knowledge_meta.version`/`effective_date`/`expire_date` | 均已存在于生成 DDL，无需新增 | 同上 |
| 3 | `pymilvus` 异步客户端 | **可用**，原生异步实现，无需线程包装 | 目标环境 `pymilvus 2.6.17` 实测 `AsyncMilvusClient` 及其 7 个所需方法 |
| 4 | `agent_faq_synonym` 导入所需的非空列 | `created_by` 非空**且有外键指向 `sys_user(id)`**；`phrase_hash` = SHA-256(`normalized_phrase`)；`status` 有 CHECK 约束 | `docs/02` §7.3 DDL 与第 355 行说明 |
| 5 | 现库是否与基线一致 | **待确认**——需环境（MySQL）可用后跑 `tools/audit_schema.py`，属常规环境一致性校验 | — |
| 6 | Milvus 三个集合是否已被胜宇建过 | **待确认**——需 Milvus 可用后查现有集合名与字段结构 | — |
| 7 | DashScope Key 额度/计费覆盖本项目调用量 | **待确认**（用户提供 Key 与额度信息后核实） | — |
| 8 | `text-embedding-v3` 端点的 `context_window` 具体取值 | **待确认**——创建 `ModelEndpointConfig` 记录前须查阿里云官方文档确定 | [阿里云 text-embedding 同步接口文档](https://www.alibabacloud.com/help/tc/model-studio/text-embedding-synchronous-api#2) |