💡 划重点
- 阿里开源向量数据库 Zvec，检索基础设施进入国产开源竞争阶段
- 因果 AI 第四代范式提出：从相关性拟合走向可干预的因果理解
- NVIDIA SpatialClaw 实现免训练空间推理，几何先验+VLM 组合拳
- RAG 技术栈选型进入"混合检索为默认"时代
- 向量库选型三问：规模、更新频率、过滤复杂度
核心话题：Zvec 开源与向量检索栈的重构
本周阿里开源向量数据库 Zvec，加上 UCSD 团队提出的因果 AI 第四代范式、NVIDIA 的 SpatialClaw 免训练空间推理框架，三条新闻共同指向同一层：大模型的能力天花板，正越来越多地由模型之外的基础设施决定。本文把这三块拆开看。
技术细节
向量检索：HNSW、IVF 与混合检索
向量数据库的核心是近似最近邻（ANN）索引，主流两条路线：
- HNSW（分层可导航小世界图）：查询延迟低、召回高，内存占用大，适合读多写少、数据量在亿级以内的在线场景；
- IVF（倒排文件 + 量化）：配合 PQ/SQ 量化后内存友好，适合十亿级离线/近线场景，代价是召回率和查询延迟的权衡更敏感。
Zvec 这类新一代向量库的共同趋势是把标量过滤、全文检索（BM25）与向量检索融合到同一执行引擎里——因为真实业务的查询几乎都是"语义相似 + 结构化条件"的混合查询，纯向量检索在生产中反而是少数。
因果 AI 第四代范式：从"预测"到"干预"
因果推理社区把 AI 的演进概括为四代：规则系统 → 统计学习 → 深度表征 → 因果智能。第四代范式的关键跳变在于回答 do 型问题——不是"用户点击了 A 又点击 B 的概率"，而是"如果我们把 A 换成 A'，B 会怎样"。工程上的落地路径目前有三条：
- 因果图先验 + 大模型：用领域因果图约束 LLM 的推理链，抑制幻觉；
- 反事实数据增强：用因果模型生成反事实样本，提升模型鲁棒性；
- 因果表征学习：在表征层解耦混杂因子，向量检索的语义空间因此更"干净"——这也是 Zvec 与因果范式在同一周被并置讨论的原因。
SpatialClaw：免训练空间推理的工程含义
SpatialClaw 的思路是不动模型权重，把空间推理拆成"感知（VLM 提取物体与位置）→ 符号化（构建场景图）→ 推理（几何求解器）"三段流水线。免训练意味着任何现成 VLM 都能即插即用地获得空间推理能力，对机器人、AR 和自动驾驶的原型验证阶段极具吸引力；代价是流水线误差会级联，感知层的检测框误差会直接放大到几何求解层。
工程落地
- RAG 选型：默认混合检索（BM25 + 向量 + 重排），纯向量方案只在文档同质性极高时使用；
- 向量库三问：数据规模（亿级以下优先 HNSW 内存索引）、更新频率（高频更新需关注增量索引能力）、过滤复杂度（复杂标量过滤优先选融合执行引擎的库）；
- 自建 vs 托管：Zvec 开源降低了自建门槛，但运维成本（索引重建、扩缩容、监控）依然真实存在，团队小于 5 人建议先用托管方案验证业务。
风险边界
- 向量检索的召回率指标在分布漂移下会静默劣化，上线后必须持续抽样评估；
- 因果 AI 的因果图假设错误时，结论可能比纯统计模型错得更自信，需要领域专家参与图构建；
- 免训练流水线的级联误差缺乏端到端可微的纠错机制，高可靠场景仍需微调方案兜底。