向量資料庫與 Embedding 的安全議題
17 分鐘閱讀
本文使用真實 Embedding、exact cosine 與 Qdrant 比較四種情境,說明相似度排名與租戶授權為什麼需要兩道獨立閘門,並整理向量反推、跨租戶檢索與同租戶投毒的防線。
關於這個部落格的作者
我是 FW,一名 Web 開發者。這裡記錄我實際開發、API 整合、自動化與基礎設施的研究和踩坑經驗。

文章會盡量交代測試環境與參考來源。
內容有版本差異或需要修正時會標註時間,歡迎透過 GitHub 聯絡我。
清楚區分官方規則、實測結果和個人判斷。
本文使用真實 Embedding、exact cosine 與 Qdrant 比較四種情境,說明相似度排名與租戶授權為什麼需要兩道獨立閘門,並整理向量反推、跨租戶檢索與同租戶投毒的防線。
從共編政策遭竄改、撤銷到重建知識庫,說明資料投毒如何持續污染系統,並用二十次生命週期實驗驗證:來源失效後,衍生語料不會自動同步失效。
沿著資料來源、切塊、檢索、序列化與模型輸出拆解 RAG 攻擊面,並用十五次確定性追蹤分開驗證語料存在、被檢索器選取與模型偏航。
內容有版本差異或需要修正時,歡迎寄信、開 GitHub issue,或透過下列社群聯絡我。
感謝您的閱讀!