optimize

backend/app/services/fetcher_service.py

@@ -35,7 +35,7 @@ def generate_md5(text: str) -> str:
 
 def generate_embedding_json(text: str) -> str:
     """辅助函数：调用大模型生成向量，并序列化为 JSON 字符串"""
-    raw_vec = embedder_model.encode([text], normalize_embeddings=True)[0]
+    raw_vec = embedder_model.encode([text], normalize_embeddings=True, show_progress_bar=False)[0]
     truncated_vec = [round(float(x), 5) for x in raw_vec]
     return json.dumps(truncated_vec, separators=(',', ':'))
 

backend/app/services/matching_service.py

@@ -37,18 +37,48 @@ def _normalize_text(text: str) -> str:
     return text.strip().casefold()
 
 
+_EMBEDDING_CACHE: dict[str, np.ndarray] = {}
+MAX_CACHE_SIZE = 10000
+
 def _build_keyword_embedding_map(keywords: list[str]) -> dict[str, np.ndarray]:
     """
-    批量生成关键词向量，并返回原词到向量的映射。
-    这里要求向量已归一化，后续可直接用点积表示余弦相似度。
+    批量生成或从缓存获取关键词向量，并返回原词到向量的映射。
+    结合了批量推理（Batching）的极速优势和内存缓存的 O(1) 读取优势。
     """
-    if not keywords:
-        return {}
-
-    vectors = embedder_model.encode(keywords, normalize_embeddings=True)
     result: dict[str, np.ndarray] = {}
-    for keyword, vec in zip(keywords, vectors):
-        result[keyword] = np.asarray(vec, dtype=np.float32)
+    if not keywords:
+        return result
+        
+    uncached_keywords = []
+    
+    # 1. 尝试从缓存获取
+    for keyword in keywords:
+        if not keyword:
+            continue
+        if keyword in _EMBEDDING_CACHE:
+            result[keyword] = _EMBEDDING_CACHE[keyword]
+        else:
+            uncached_keywords.append(keyword)
+            
+    # 2. 对未命中的词进行统一的批量推理
+    if uncached_keywords:
+        # 去重，避免同一个未缓存的词被计算多次
+        unique_uncached = list(dict.fromkeys(uncached_keywords))
+        
+        vectors = embedder_model.encode(unique_uncached, normalize_embeddings=True, show_progress_bar=False)
+        
+        # 防止缓存无限增长：超过阈值时清空最早存入的一半（简单粗暴的内存控制）
+        if len(_EMBEDDING_CACHE) > MAX_CACHE_SIZE:
+            keys_to_delete = list(_EMBEDDING_CACHE.keys())[: MAX_CACHE_SIZE // 2]
+            for k in keys_to_delete:
+                del _EMBEDDING_CACHE[k]
+                
+        # 3. 将新计算的向量存入缓存并回填结果
+        for keyword, vec in zip(unique_uncached, vectors):
+            vec_array = np.asarray(vec, dtype=np.float32)
+            _EMBEDDING_CACHE[keyword] = vec_array
+            result[keyword] = vec_array
+
     return result
 
 

backend/app/services/summary_service.py

@@ -108,7 +108,7 @@ def normalize_topic_keywords(topic_candidates: list[dict[str, Any]]) -> list[dic
         return []
 
     keywords = [item["keyword"] for item in topic_candidates]
-    vectors = embedder_model.encode(keywords, normalize_embeddings=True)
+    vectors = embedder_model.encode(keywords, normalize_embeddings=True, show_progress_bar=False)
 
     clusters: list[dict[str, Any]] = []
     for item, vector in zip(topic_candidates, vectors):