如何为每个产品存储和访问多种类型的嵌入，需要一种结构化的方法，既能按类型区分嵌入，又能与产品保持清晰的关联。首先设计一个数据库模式，包含一个产品表和一个相关的嵌入表。嵌入表应包含产品 ID、嵌入类型（例如，“文本”、“图像”、“用户行为”）和向量数据等列。例如，在 PostgreSQL 数据库中，您可以使用一个 product_embeddings 表，其中包含一个 vector 列（使用 vector 扩展）、一个 product_id 外键和一个 embedding_type 字符串。这种结构允许您为每个产品存储多个嵌入，每个嵌入都带有类型标识符。如果使用像 Pinecone 这样的向量数据库，您可以按类型将嵌入组织到单独的命名空间或集合中，并与产品 ID 元数据字段关联。
访问这些嵌入需要同时按产品 ID 和嵌入类型进行查询。对于关系型数据库，一个简单的 SQL 查询，例如 SELECT vector FROM product_embeddings WHERE product_id = 123 AND embedding_type = 'text'，可以检索特定的嵌入。在向量数据库中，您可以使用指定命名空间或过滤条件的 API 调用（例如，pinecone.Query(namespace="text", filter={"product_id": "123"})）。为了优化检索，考虑将频繁访问的嵌入缓存在 Redis 这样的键值存储中，使用复合键，例如 product:123:embedding:text。对于搜索或推荐等应用，您可以一次性获取产品的所有嵌入并在内存中处理，或者选择性地加载特定任务所需的类型（例如，用于视觉相似性检查的图像嵌入）。
性能和可伸缩性取决于索引和存储的选择。在关系型数据库中，在 product_id 和 embedding_type 上添加索引可以加快查找速度。向量数据库本身针对相似性搜索进行了优化，但通过按类型划分数据来缩小查询范围会更有益。在产品入库期间预先计算嵌入，以避免运行时延迟，如果模型随时间变化，对其进行版本控制（例如，embedding_type = 'text_v2'）。为了安全起见，在应用层限制访问权限——确保抓取用户行为嵌入的服务比访问公共文本嵌入的服务拥有更高的权限。Hugging Face 的 sentence-transformers 或 OpenAI 的 API 等工具可以生成嵌入，然后您将其与类型标签一起存储，从而无需重新计算即可在搜索、推荐或聚类等任务中灵活重用。