向量嵌入模型漂移监控自查工具

使用步骤：

1. 用一批固定的“金丝雀”文本，分别通过新旧embedding模型算出对应向量的余弦相似度
2. 在文本框里按每行“标签,相似度”格式录入，例如 faq-refund,0.95
3. 设置相似度告警阈值（默认0.9），低于此值的样本会被计入“低于阈值占比”
4. 点击“分析漂移”，查看样本数、平均相似度、最低相似度、低于阈值占比，以及0-100的综合漂移分数和风险等级（低/中/高）

可点击“加载示例数据”查看一组预设样本的分析效果。页面下方附带一份漂移监控实践自查清单，供团队评估监控流程是否完善。计算全部在浏览器本地完成，不上传数据，也不调用任何embedding模型。

升级embedding模型版本（或供应商悄悄更新模型权重）后，语义向量空间可能发生漂移，导致RAG检索/召回质量下降。本工具让用户手工录入一批“金丝雀”文本在新旧模型下的余弦相似度（标签,相似度 每行一条），本地计算：

• 样本数、平均相似度、最低相似度
• 低于告警阈值的样本占比
• 0-100综合漂移分数，及对应的低/中/高风险等级

并附带一份漂移监控实践自查清单（是否建立固定金丝雀集、是否记录历史趋势、是否人工抽检边界样本、索引是否全量重建、是否有回滚机制）。所有输入数据和计算都在浏览器本地完成。