把 embedding 想成：模型把一句话变成一串数字（向量），并保证意思越近的两句话，向量越接近。这个"数字世界的坐标系"就是向量空间。
1) "升级模型会改变向量空间"指什么
当你把模型从 A 换成 B（哪怕名字很像、同系列版本升级），通常会发生：
- 同一句话的向量值会变（坐标变了）
- 相似度分数分布会变（以前 0.52 的问题，升级后可能变 0.38 或 0.70）
- TopK 排名可能变（原来排第 1 的图表，可能变成第 2/3，甚至掉出 Top3）
2) 为什么会这样
embedding 模型在训练目标、数据、架构、量化方式等任何一点变化，都可能让"坐标系"整体发生旋转/拉伸/重排。
所以旧向量和新向量往往不再处在同一个"可比的空间"里。
3) 对你这个项目的影响（最重要）
你现在做的是：
- 图表元数据 → 向量（存内存索引）
- 用户问题 → 向量
- 两者算 cosine 相似度
如果以后你升级 embedding 模型，但：
- 图表向量还是用旧模型算的
- 用户问题向量用新模型算的
那么相似度就会变得不可靠（因为在"两个不同坐标系"里比较距离）。
即使你两边都换新模型：
- 阈值（比如现在默认 0.45）也可能不再合适
- 命中率/误命中率可能变化
4) "需要回归"是什么意思（这里的回归=回归测试）
升级模型后要做一轮简单验证，确认效果没变差，主要做三件事：
- 重算索引：用新模型把
dns.json的图表向量全部重新算一遍 - 用一批常见问题测试：看 Top3 是否合理
- 重新调阈值：如果整体分数变低/变高，把
CHART_VECTOR_SIMILARITY_THRESHOLD调到合适范围