适配代码的核心是确认新模型的向量维度是否与现有数据库一致，若维度不同需重新索引。推荐优先使用支持动态维度的新模型并显式指定 dimensions 参数，避免破坏现有向量检索结构。
先说结论：升级模型前必须核对维度兼容性，维度不一致会导致向量数据库无法检索。
- 适合需要提升检索效果或降低 Token 成本的场景
- 先准备向量数据库 schema 变更或重刷数据方案
- 验收时验证向量长度和搜索召回率
快速处理思路
若仅更新模型名称但保持维度不变，只需修改代码中的 model 字段。若目标模型默认维度不同，必须在 API 请求中添加 dimensions 参数强制对齐，或迁移向量数据库。
为什么会这样
向量维度不匹配会导致数学运算无法进行，直接造成检索报错或结果失真。OpenAI 新模型支持动态调整维度，但默认值可能与旧模型不同，代码需显式控制输出长度。
分步处理
1. 确认当前生产环境使用的向量维度，常见为 1536 维。
2. 查阅新模型文档确认默认维度，例如 text-embedding-3-large 默认为 3072 维。
3. 修改代码调用参数，若需兼容旧数据，显式设置 dimensions=1536。
4. 若决定升级维度，先备份数据，重新生成所有嵌入向量并更新数据库 schema。
怎么验证是否生效
打印生成向量的数组长度，确认与数据库字段定义一致。执行标准查询测试，观察召回结果是否符合预期，无报错信息。
常见坑
混用不同维度的向量存入同一集合，会导致相似度计算失败。忽略 dimensions 参数默认值变化，直接切换模型名称可能引发线上故障。
常见问题
不同维度的向量能混用吗
不能，向量数据库要求集合内所有向量维度必须一致，否则无法计算距离。
切换模型后必须重新生成向量吗
若新模型维度与旧数据一致则不需要，若维度变化或模型算法差异大则建议重新生成。
如何降低新模型的 Token 成本
使用 text-embedding-3-small 模型并适当降低 dimensions 参数值，可减少输出 Token 消耗。
参考来源
OpenAI API Documentation - Embeddings, https://platform.openai.com/docs/guides/embeddings