Upstash Vector 免费版完整使用指南

芒果不茫QAQ2026-02-21 8:24

目录

Upstash Vector 简介

upstash vector官网地址

Upstash Vector 是一个托管式向量数据库服务，专为 AI 应用提供高性能的向量存储和相似性搜索能力。

什么是索引？

在 Upstash Vector 中，索引（Index） 是一个独立的向量数据库实例。你可以把它理解为一个容器，用来存储你的向量数据及其关联的元数据。每个索引需要指定：

  • 维度数：向量的维度大小（例如 OpenAI 的 text-embedding-3-small 模型使用 1536 维）
  • 距离度量：用于相似性搜索的算法（如余弦相似度）

你可以为不同的应用或用途创建多个索引，例如一个用于产品搜索，另一个用于文档检索。

免费版容量限制

  • 索引数量：每个账户可创建 1 个索引
  • 向量维度：最大维度 1536
  • 向量数量：最大 2 亿（向量数 × 维度数，例如：130 万向量 × 1536 维度）
  • 元数据和数据存储：最大 1GB（每个向量最多 48KB 元数据，1MB 数据）
  • 每日查询/更新限制：10,000 次

核心功能

  • 支持的功能
    • ✅ 元数据过滤：支持基于元数据字段进行过滤查询
    • ✅ 批量操作：支持批量插入，建议每次最多 1000 个向量
    • ✅ 自动 ID 管理：需要手动指定 ID（不能为空字符串）
  • 暂不支持的功能
    • ❌ 混合搜索：目前不支持，但已在路线图中。混合搜索结合向量搜索和关键词搜索，能提供更精准的搜索结果

付费版信息

如需了解付费版（按需付费版、固定版、Pro 版）的详细定价和功能，请查看 Upstash Vector 官方定价页面。

创建索引

进入Upstash Vector 页面后，点击Create Vector Index，显示如下：

  1. 输入索引名称
  2. 选择数据库所在区域（仅支持几个区域，随便选一个就行）
  3. 向量检索类型，包括 稠密向量/稀疏向量/混合向量
  4. 选择embedding模型，你可以选择Custom自己配置模型，也可以使用upstash预置的几个模型。
  5. 输入向量维度，如果选择预置模型，会根据模型类型自动匹配向量维度，否则需要自己输入。
  6. 向量检索方式：包括 cosine（余弦相似度）、euclidean（欧氏距离）、dot_product（点积）
    • Cosine：通过计算两个向量之间的夹角余弦值来衡量相似度，取值范围为 -1 到 1。值越接近 1 表示向量方向越相似，不受向量长度影响。适合用于文本相似度搜索，因为更关注向量的方向而非大小。
    • Euclidean：计算两个向量在空间中的直线距离，距离越小表示越相似。这是最直观的距离度量方式，适合用于需要精确距离测量的场景，如图像相似度搜索。
    • Dot Product：计算两个向量的内积，值越大表示越相似。点积同时考虑了向量的方向和大小，适合用于归一化后的向量，或者需要同时考虑向量方向和长度的场景。
  7. 选择付费方式，直接免费版就行了。

操作指令介绍

Python 使用要先安装 upstash-vector 包，运行 pip install upstash-vector

点击创建的索引，可以进入索引详情页，这里给了使用示例，直接复制代码，可以自动填充url和token。

连接 Index

连接 Index 有两种方式：使用环境变量或直接在代码中指定 URL 和 Token。

方式一：使用环境变量（推荐）

首先设置环境变量：

bash 复制代码 
export UPSTASH_VECTOR_REST_URL="https://xxx.upstash.io"
export UPSTASH_VECTOR_REST_TOKEN="xxx"

或者在 Python 代码中设置：

python 复制代码 
import os
from upstash_vector import Index

os.environ["UPSTASH_VECTOR_REST_URL"] = "https://xxx.upstash.io"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "xxx"

# 从环境变量创建 Index
index = Index.from_env()

方式二：直接在代码中指定

python 复制代码 
from upstash_vector import Index

# 直接传入 URL 和 Token
index = Index(
    url="https://xxx.upstash.io",
    token="xxx"
)

Index 和 Namespace 的区别

  • Index：类似 MySQL 的数据库，是顶层容器，每个 Index 有固定的配置（维度数、距离度量等）
  • Namespace：类似 MySQL 的表，是在同一个 Index 内的逻辑分区，用于组织不同类型的数据

如果不指定 namespace，则使用默认 namespace（空字符串 ""）。所有操作（插入、查询、删除等）都可以通过 namespace 参数指定目标命名空间。

python 复制代码 
from upstash_vector import Index

# 创建一个 Index 连接（相当于连接一个数据库）
index = Index(url="https://xxx.upstash.io", token="xxx")

# 在同一个 Index 中，使用不同的 namespace 组织数据
index.upsert(vectors=[...], namespace="products")    # 产品数据
index.upsert(vectors=[...], namespace="documents")   # 文档数据

# 查询时也需要指定 namespace
results = index.query(vector=[...], namespace="products")

Upsert 插入向量

upsert 是 Upstash Vector 中最常用的操作，用于插入或更新向量。如果向量 ID 已存在则更新，不存在则插入。

Upstash Vector 支持三种方式插入向量：使用 Vector 对象、元组（tuple）或字典（dictionary）。

python 复制代码 
from upstash_vector import Index, Vector

index = Index.from_env()  # 从环境变量读取 URL 和 Token

# 1. 使用 Vector 对象
vectors = [
    Vector(
        id="vector-1",                    # 向量 ID（必填，不能为空字符串）
        vector=[0.1, 0.2, 0.3, ...],      # 向量数据（条件必填，根据是否选择了upstash的预置模型）
        metadata={"category": "tech"},    # 元数据（可选，字典格式，最多 48KB）
        data="这是原始文本数据"            # 原始数据（可选，字符串格式，最多 1MB）
    )
]

# 2. 使用元组, 顺序为：`(id, vector, metadata, data)`，其中 metadata 和 data 可以省略。
vectors = [
    (
        "vector-1",                        # id
        [0.1, 0.2, 0.3, ...],            # vector
        {"category": "tech"},             # metadata
        "这是原始文本数据"                 # data
    )
]

# 3. 使用字典
vectors = [
    {
        "id": "vector-1",
        "vector": [0.1, 0.2, 0.3, ...],
        "metadata": {"category": "tech"},
        "data": "这是原始文本数据"
    }
]
index.upsert(
    vectors=vectors,
    namespace="test1"  # 可选，指定命名空间，默认 default
)

字段说明：

  • id（必填）：向量的唯一标识符，字符串类型，不能为空。如果已存在相同 ID 的向量，则会更新该向量
  • vector （条件必填）：向量数据，列表格式，每个元素是浮点数。维度必须与创建索引时指定的维度一致
    • 如果创建索引时选择了 Custom （自定义模型），则必须提供 vector
    • 如果创建索引时选择了 Upstash 预置模型 ，可以不提供 vector，只需提供 data，Upstash 会自动使用创建索引时选择的 embedding 模型将 data 中的文本转换为向量
  • data （条件必填）：原始的非结构化数据，字符串格式，最多 1MB
    • 如果创建索引时选择了 Upstash 预置模型 ，必须提供 data（文本），Upstash 会根据创建索引时选择的模型自动将文本转换为向量
    • 如果创建索引时选择了 Custom ，data 是可选的，通常用于存储原始文本、图片 URL 等
  • metadata（可选）：元数据字典，用于存储额外的结构化信息，最多 48KB。常用于存储过滤条件，如分类、标签等

使用场景示例：

python 复制代码 
# 场景1：使用 Upstash 预置模型（创建索引时选择了预置模型）
# 只需提供 data，不需要提供 vector
vectors = [
    Vector(
        id="text-1",
        data="这是一段需要搜索的文本内容",  # Upstash 会自动转换为向量
        metadata={"category": "tech"}
    )
]

# 场景2：使用自定义模型（创建索引时选择了 Custom）
# 必须提供 vector，data 可选
vectors = [
    Vector(
        id="vector-1",
        vector=[0.1, 0.2, 0.3, ...],  # 自己生成的向量
        data="这是原始文本数据",        # 可选，用于存储原始文本
        metadata={"category": "tech"}
    )
]

Query 查询向量

query 是 Upstash Vector 中用于检索向量的核心操作，根据相似度搜索返回最匹配的向量。

基本用法

python 复制代码 
from upstash_vector import Index

index = Index.from_env()

# 使用向量查询
query_result = index.query(
    vector=[0.1, 0.2, 0.3, ...],  # 查询向量
    top_k=5,                       # 返回前 5 个最相似的结果
    include_metadata=True,         # 包含元数据
    include_data=True,              # 包含原始数据
    include_vectors=False,         # 不包含向量本身（节省带宽）
    namespace="products"           # 指定命名空间
)

# 遍历结果
for result in query_result:
    print(f"ID: {result.id}")
    print(f"相似度分数: {result.score}")  # 0-1 之间，1 表示完全匹配
    print(f"元数据: {result.metadata}")
    print(f"数据: {result.data}")

参数说明

  • 查询方式（三选一）

    • vector：使用向量进行相似度搜索，传入与索引维度相同的向量列表
    • data ：使用文本进行查询（需要索引配置了 Upstash 内置的 embedding 模型），与 vector 互斥
    • sparse_vector：使用稀疏向量进行查询（用于稀疏向量索引）

  • 返回结果控制

    • include_metadata （布尔值）：是否在结果中包含元数据，默认为 False
    • include_vector （布尔值）：是否在结果中包含向量本身，默认为 False。设置为 True 会增加响应大小
    • include_data （布尔值）：是否在结果中包含原始数据，默认为 False

  • 其他参数：

    • top_k （整数）：返回最相似的前 k 个结果，例如 top_k=5 返回前 5 个最匹配的向量
    • filter （字符串）：元数据过滤条件，用于缩小查询范围。例如：filter="category = 'electronics' and price > 100"
    • namespace（字符串）：指定查询的命名空间，不指定则使用默认 namespace

  • 返回结果字段

    • id：向量的唯一标识符
    • score：相似度分数，范围 [0, 1]，1 表示完全匹配
    • metadata ：元数据字典（如果 include_metadata=True）
    • vector ：向量本身（如果 include_vector=True）
    • data ：原始数据（如果 include_data=True）

使用文本查询（需要内置 Embedding 模型）

如果创建索引时选择了 Upstash 预置的 embedding 模型，可以直接使用文本进行查询：

python 复制代码 
# 使用文本查询（自动转换为向量）
query_result = index.query(
    data="查找相似的产品描述",  # 直接传入文本
    top_k=5,
    include_metadata=True,
    include_data=True
)

使用元数据过滤

可以通过 filter 参数对元数据进行过滤，支持多种条件：

python 复制代码 
query_result = index.query(
    vector=[0.1, 0.2, 0.3, ...],
    top_k=10,
    filter="category = 'electronics' and price > 100 and brand = 'Apple'",
    include_metadata=True
)

过滤语法：

  • 等于：field = 'value'
  • 不等于：field != 'value'
  • 大于/小于：field > 100、field < 100
  • 逻辑运算：AND、OR
  • 字符串匹配：使用单引号包裹字符串值

批量查询

使用 query_many 方法可以一次性执行多个查询，减少网络往返：

python 复制代码 
query_results = index.query_many(
    queries=[
        {
            "vector": [0.1, 0.2, 0.3, ...],
            "top_k": 5,
            "include_metadata": True,
            "filter": "category = 'electronics'"
        },
        {
            "vector": [0.4, 0.5, 0.6, ...],
            "top_k": 3,
            "include_metadata": False,
            "filter": "category = 'books'"
        }
    ]
)

# 遍历每个查询的结果
for i, query_result in enumerate(query_results):
    print(f"查询 {i+1} 的结果：")
    for result in query_result:
        print(f"  ID: {result.id}, 分数: {result.score}")

Resumable Query 可恢复查询

resumable_query 是一种懒加载的查询方式，运行分批返回结果，防止一次性加载到内存中，导致内存压力过大。

例如在用户手机搜索时，先展示前10个相关的内容，用户滚动时，可再加载10个。

基本用法

python 复制代码 
from upstash_vector import Index

index = Index.from_env()

# 开始一个可恢复查询，返回初始结果和句柄
# resumable_query参数与query相同
results, handle = index.resumable_query(
    data="今天是个好日子",
    top_k=10,                    # 初始批次返回 10 个结果
    include_metadata=True,
    include_vectors=False,
    namespace="test1"
)
all_results = []

with handle:
    # 获取第一页
    all_results.extend(results)
    
    # 继续获取后续页面
    while True:
        next_batch = handle.fetch_next(10)
        if not next_batch:  # 没有更多结果
            break
        all_results.extend(next_batch)

print(f"总共获取了 {len(all_results)} 个结果")
# 退出 with 块后，句柄会自动停止

工作原理

  1. 初始调用 ：resumable_query 返回一个元组 (results, handle)，其中：

    • results：第一批查询结果（列表）
    • handle：ResumableQueryHandle 对象，用于获取更多结果

  2. 获取更多结果 ：使用 handle.fetch_next(n) 获取接下来的 n 个结果

    • 如果还有更多结果，返回结果列表
    • 如果没有更多结果，返回空列表

  3. 关闭句柄：必须在使用完毕后关闭句柄：

    • 使用 with handle: 上下文管理器（推荐）
    • 或手动调用 handle.stop()

Range 范围查询

range 方法允许你按顺序检索索引中的向量 ，而不是基于相似度搜索。这对于遍历所有向量 、按 ID 前缀查找 或数据导出等场景非常有用。

python 复制代码 
from upstash_vector import Index

index = Index.from_env()

next_cursor = 'first'
while next_cursor != "":
    # 执行范围查询
    next_cursor if next_cursor != 'first' else ""
    range_result = index.range(
        cursor=next_cursor,     # 游标，从空字符串开始
        limit=10,               # 每次返回的最大向量数量
        include_vectors=False,   # 是否包含向量本身
        include_metadata=True,   # 是否包含元数据
        include_data=True,      # 是否包含原始数据
        namespace="products"    # 可选，指定命名空间
    )
    next_cursor = res.next_cursor
    for vector_info in res.vectors:
        print(f"游标: {next_cursor}")
        print(f"ID: {vector_info.id}")
        print(f"数据: {vector_info.data}")
        print(f"元数据: {vector_info.metadata}")

  • 参数说明

    • cursor （字符串）：游标位置，用于分页。第一次查询使用空字符串 ""，后续使用上次返回的 next_cursor
    • limit（整数）：单次查询返回的最大向量数量
    • prefix （字符串，可选）：ID 前缀过滤，只返回 ID 以该前缀开头的向量，例如 prefix="product-"

  • 返回结果

    • next_cursor ：下一个查询的游标位置。如果为空字符串 ""，表示没有更多结果了
    • vectors：向量列表，每个向量包含：
    • id：向量 ID
    • vector：向量数据（如果 include_vectors=True）
    • metadata：元数据（如果 include_metadata=True）
    • data：原始数据（如果 include_data=True）

Fetch 按 ID 获取向量

fetch 方法允许你根据向量 ID 直接获取向量，不需要进行相似度搜索。这对于已知 ID 需要获取完整向量信息的场景非常有用。

基本用法

python 复制代码 
from upstash_vector import Index

index = Index.from_env()

# 方式1：获取多个向量（传入列表）
ids_to_fetch = ["id-1", "id-2", "id-3"]
fetch_result = index.fetch(
    ids=ids_to_fetch,
    include_vectors=True,
    include_metadata=True,
    include_data=True,
    namespace="products"  # 可选，指定命名空间
)

# 遍历结果
for vector_info in fetch_result:
    print(f"ID: {vector_info.id}")
    print(f"向量: {vector_info.vector}")
    print(f"元数据: {vector_info.metadata}")
    print(f"数据: {vector_info.data}")

# 方式2：获取单个向量（直接传入字符串）
vector_info = index.fetch("id-4", namespace="products")
print(f"ID: {vector_info[0].id}")

  • 参数说明

    • ids（字符串或列表）：要获取的向量 ID，可以是单个字符串或字符串列表
    • prefix （字符串，可选）：ID 前缀过滤，获取所有 ID 以该前缀开头的向量，例如 prefix="product-"

  • 返回结果

    • vectors：向量列表，每个向量包含：
    • id：向量 ID
    • vector：向量数据（如果 include_vectors=True）
    • sparse_vector：稀疏向量（如果适用）
    • metadata：元数据（如果 include_metadata=True）
    • data：原始数据（如果 include_data=True）

Fetch vs Query vs Range

特性 Fetch Query Range
用途 按 ID 获取 相似度搜索 按顺序遍历
输入 向量 ID 查询向量 游标
排序 无排序 按相似度排序 按 ID 顺序
适用场景 已知 ID 获取数据 相似度搜索 遍历所有数据

总结：Fetch 是直接按 ID 获取向量的方法，适合已知向量 ID 需要获取完整信息的场景，与 Query（相似度搜索）和 Range（顺序遍历）形成互补。

Delete 删除向量

delete 方法允许你根据向量 ID、ID 前缀或元数据过滤条件删除向量 。删除操作是不可逆的，请谨慎使用。

基本用法

python 复制代码 
from upstash_vector import Index

index = Index.from_env()

# 方式1：删除多个向量（传入列表）
ids_to_delete = ["id-1", "id-2", "id-3"]
delete_result = index.delete(
    ids=ids_to_delete,
    namespace="products"  # 可选，指定命名空间
)

# 显示删除的向量数量
print(f"删除了 {delete_result.deleted} 个向量")

# 方式2：删除单个向量（直接传入字符串）
delete_result = index.delete("id-4", namespace="products")
print(f"删除了 {delete_result.deleted} 个向量")
  • 参数说明（三选一，不可同时使用）
    • ids（字符串或列表）：要删除的向量 ID，可以是单个字符串或字符串列表
    • prefix （字符串）：ID 前缀过滤，删除所有 ID 以该前缀开头的向量，例如 prefix="product-"
    • filter （字符串）：元数据过滤条件，删除所有匹配过滤条件的向量，例如 filter="age > 30"
  • 返回结果
    • deleted（整数）：被删除的向量数量

注意事项

  1. 不可逆操作 ：删除操作是永久性的，无法恢复，请谨慎使用
  2. 批量删除 ：使用 prefix 或 filter 删除大量向量时，建议先使用 fetch 或 range 确认要删除的向量
  3. 命名空间：删除操作会作用于指定的 namespace，如果不指定则使用默认 namespace

安全删除示例

python 复制代码 
# 先查询要删除的向量，确认后再删除
vectors_to_delete = index.fetch(prefix="temp-", namespace="products")
print(f"找到 {len(vectors_to_delete)} 个临时向量")

# 确认后删除
if len(vectors_to_delete) > 0:
    delete_result = index.delete(prefix="temp-", namespace="products")
    print(f"已删除 {delete_result.deleted} 个向量")
else:
    print("没有需要删除的向量")

Update 更新向量

update 方法允许你更新已存在向量的向量数据、元数据或原始数据。如果向量不存在，更新操作不会创建新向量。

基本用法

python 复制代码 
from upstash_vector import Index

index = Index.from_env()

# 更新向量的元数据和原始数据
updated = index.update(
    id="id-1",
    metadata={"category": "electronics", "price": 999},  # 更新元数据
    data="更新后的产品描述",                              # 更新原始数据
    namespace="products"  # 可选，指定命名空间
)

print(updated)

  • 参数说明

    • id（字符串，必填）：要更新的向量 ID
    • vector（列表，可选）：新的向量数据，维度必须与索引配置一致
    • metadata （字典，可选）：新的元数据，会完全替换原有的元数据
    • data（字符串，可选）：新的原始数据
    • metadata_update_mode （可选）：元数据更新模式，默认为 REPLACE（完全替换），可选 PATCH（部分更新）
    • namespace（字符串，可选）：指定操作的命名空间，不指定则使用默认 namespace

  • 返回结果

    • 返回更新后的向量信息

更新模式

Update 支持两种元数据更新模式：

1. REPLACE 模式（默认）

完全替换元数据，原有的元数据字段会被新值覆盖：

python 复制代码 
# 假设原向量有元数据：{"category": "electronics", "price": 100, "brand": "Apple"}

# 使用 REPLACE 模式（默认）
updated = index.update(
    id="id-1",
    metadata={"category": "phones", "price": 200}  # 只保留这两个字段，brand 会被删除
)
2. PATCH 模式（部分更新）

根据 JSON Merge Patch 算法，可以部分更新、添加或删除元数据字段：

python 复制代码 
from upstash_vector import Index
from upstash_vector.types import MetadataUpdateMode

index = Index.from_env()

# 假设原向量有元数据：{"category": "electronics", "price": 100, "brand": "Apple"}

# 使用 PATCH 模式
updated = index.update(
    id="id-1",
    metadata={
        "price": 200,              # 更新现有字段
        "brand": None,             # 删除字段（设置为 None）
        "color": "black"           # 添加新字段
    },
    metadata_update_mode=MetadataUpdateMode.PATCH
)

PATCH 模式规则：

  • 存在的字段：更新为新值
  • 不存在的字段：添加新字段
  • 设置为 None 的字段：删除该字段
  • 未在 metadata 中出现的字段：保持不变

Reset 重置索引

reset 用来清空索引中的数据，可以清空默认命名空间、指定命名空间，或者整个 Index 下的所有命名空间（相当于把这个向量库重置为"刚创建"的状态）。

python 复制代码 
from upstash_vector import Index

index = Index.from_env()

# 1. 重置默认 namespace（不传参数）
index.reset()

# 2. 只重置某个命名空间
index.reset(namespace="products")

# 3. 重置整个索引下的所有 namespace，慎用！
index.reset(all=True)

Info 获取索引信息

info 方法用于获取索引的统计信息和元数据，包括向量数量、索引大小、维度、相似度函数等。这对于监控索引状态、了解数据规模非常有用。

python 复制代码 
from upstash_vector import Index

index = Index.from_env()

# 获取索引的统计信息
info_result = index.info()

# 显示索引整体信息
print(f"向量总数: {info_result.vector_count}")
print(f"待处理向量数: {info_result.pending_vector_count}")
print(f"索引大小: {info_result.index_size} 字节")
print(f"向量维度: {info_result.dimension}")
print(f"相似度函数: {info_result.similarity_function}")

# 遍历所有 namespace 的统计信息
for ns_name, ns_info in info_result.namespaces.items():
    print(f"\n命名空间: {ns_name}")
    print(f"  向量数量: {ns_info.vector_count}")
    print(f"  待处理向量数: {ns_info.pending_vector_count}")

返回结果字段

  • vector_count（整数）：索引中向量的总数量
  • pending_vector_count（整数）：当前待处理的向量数量（尚未完全处理/索引的向量）
  • index_size（整数）：索引在磁盘上的大小（字节）
  • dimension（整数）：索引配置的向量维度数
  • similarity_function（字符串）：索引使用的相似度函数（如 "cosine"、"euclidean"、"dot_product"）
  • namespaces （字典）：所有命名空间的统计信息映射，键为命名空间名称，值为包含以下字段的对象：
    • vector_count：该命名空间中的向量数量
    • pending_vector_count：该命名空间中待处理的向量数量
相关推荐
～央千澈～1 小时前
优雅草正版授权系统 - 优雅草科技开源2月20日正式发布
python·vue·php·授权验证系统
啊阿狸不会拉杆1 小时前
《计算机视觉：模型、学习和推理》第 5 章-正态分布
人工智能·python·学习·算法·机器学习·计算机视觉·正态分布
喵手1 小时前
Python爬虫实战：Spotify 公开歌单爬虫实战 - 打造你的全球音乐数据库！
爬虫·python·爬虫实战·spotify·零基础python爬虫教学·公开歌单爬虫实战·全球音乐数据库
啊阿狸不会拉杆2 小时前
《计算机视觉：模型、学习和推理》第 3 章-常用概率分布
人工智能·python·学习·机器学习·计算机视觉·正态分布·概率分布
ValhallaCoder6 小时前
hot100-栈
数据结构·python·算法·栈
MediaTea9 小时前
Python：生成器表达式详解
开发语言·python
-To be number.wan10 小时前
Python数据分析：SciPy科学计算
python·学习·数据分析
Dxy123931021610 小时前
DataFrame数据修改：从基础操作到高效实践的完整指南
python·dataframe
overmind11 小时前
oeasy Python 115 列表弹栈用pop删除指定索引
开发语言·python
热门推荐
01GitHub 镜像站点02从零搭建一个 PHP 登录注册系统（含完整源码）03AI Agent 平台横评：ZeroClaw vs OpenClaw vs Nanobot04Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services05MIUI显示/隐藏5G开关的方法，信号弱时开启手机Wifi通话方法06全面体验 Grok API 中转站（2025 · Grok 4 系列最新版）07使用 1panel面板 部署 php网站08openClaw安装飞书插件｜核心踩坑：spawn EINVAL 错误终极解决指南09网站改了域名，如何查找？10如何解决 OpenClaw “Pairing required” 报错：两种官方解决方案详解