Embedding 服务重点比较业务语言、专业术语、长文本支持、批处理能力、部署要求和成本。用真实的“问题—相关文档”样本测召回效果，不只看公开榜单。 向量数据库除了相似度查询，还要检查元数据过滤、全文检索、增量更新、删除、备份、租户隔离和运维能力。数据量不大时，已有数据库的向量扩展可能更便于维护。 文档向量与查询向量应使用兼容的模型、维度和预处理方式。不能把两种模型生成的向量随意混在同一索引里比较。 更换 Embedding 模型通常意味着重新向量化并建立新索引。应先在独立索引验证效果，再切换流量，保留回退路径。最终比较的是整条检索链路的质量、延迟和维护成本。