Why the docs need an explicit vector payload storage contract

Constraint: Phase-1 embedding storage must explain where vectors live, how feature_fact points to them, and how hot/cold migration works at scale
Rejected: Leave vector payload placement implicit | does not give operators a stable contract for ANN loading, backfill, or cleanup
Confidence: high
Scope-risk: narrow
Directive: Keep embedding payload guidance split between feature_fact metadata and vector-side storage unless the physical schema default changes
Tested: markdown link check on /workspace/docs after adding vector payload storage and lifecycle guidance
Not-tested: No live database rerun; this is a documentation-only clarification over the current schema path

@@ -9,6 +9,7 @@
 - 继续补充数据绑定与模型落库说明：在 `docs/postgresql-data-model.md` 与 `docs/postgres_db_schema_samples.md` 明确 `media_entity -> audio_object(asset/window) -> feature_fact` 的绑定字段关系，并给出 `chromaprint / mert-v1-95m / muq-base / local_wavehash_embed / ecapa-tdnn` 的 Phase-1 存储口径与 SQL 样例。
 - 继续补充数据绑定与模型落库说明：在 `docs/postgresql-data-model.md` 与 `docs/postgres_db_schema_samples.md` 明确 `media_entity -> audio_object(asset/window) -> feature_fact` 的绑定字段关系，并给出 `chromaprint / mert-v1-95m / muq-base / local_wavehash_embed / ecapa-tdnn` 的 Phase-1 存储口径与 SQL 样例。
 - 在 `docs/postgres_db_schema_samples.md` 继续补充一个完整的 `同一 song -> 多 asset -> 多 window -> 多 model` 样例，附带缺模型扫描 SQL 与 asset 级特征完备性检查 SQL，方便 Phase-1 批量补算与巡检。
 - 在 `docs/postgres_db_schema_samples.md` 继续补充一个完整的 `同一 song -> 多 asset -> 多 window -> 多 model` 样例，附带缺模型扫描 SQL 与 asset 级特征完备性检查 SQL，方便 Phase-1 批量补算与巡检。
 - 继续补充规模化实施口径：在 `docs/postgresql-data-model.md` 与 `docs/postgres_db_schema_samples.md` 新增 `100w 音频 / 30w song` 的批量入库顺序、索引建设顺序、冷热分层策略与主链/模型缺口巡检 SQL，明确 Phase-1 先保主链、exact 先铺满、semantic 再批量补齐。
 - 继续补充规模化实施口径：在 `docs/postgresql-data-model.md` 与 `docs/postgres_db_schema_samples.md` 新增 `100w 音频 / 30w song` 的批量入库顺序、索引建设顺序、冷热分层策略与主链/模型缺口巡检 SQL，明确 Phase-1 先保主链、exact 先铺满、semantic 再批量补齐。
+- 继续补充 embedding 落盘规范：在 `docs/postgresql-data-model.md` 与 `docs/postgres_db_schema_samples.md` 新增 `embedding_uri / vector_table_name / embedding_dim` 的字段语义、向量侧表命名规范、冷热迁移与回收策略，以及 `feature_fact -> vector table` 的关联样例 SQL。
 
 
 ## 2026-06-04
 ## 2026-06-04
 
 

@@ -821,3 +821,105 @@ hot_set       -> 高频版权曲
 reference_set -> 主 reference catalog
 reference_set -> 主 reference catalog
 cold          -> 长尾曲库，先保主链 + exact
 cold          -> 长尾曲库，先保主链 + exact
 ```
 ```
+
+---
+
+## 16. vector table / embedding 文件存储样例
+
+### 16.1 `feature_fact` 中怎么记录 embedding 位置
+
+```sql
+insert into feature_fact (
+    feature_type,
+    object_id,
+    song_id,
+    model_name,
+    model_version,
+    feature_set_name,
+    feature_schema_ver,
+    embedding_dim,
+    embedding_uri,
+    vector_table_name,
+    checksum,
+    metadata_json
+) values (
+    'embedding',
+    :window_id,
+    :song_id,
+    'mert-v1-95m',
+    'hf-main',
+    'mert_5s_hop2.5_v1',
+    'v1',
+    768,
+    's3://acr-emb/phase1/mert-v1-95m/song_1001/asset_2001/window_3001_mert_5s_hop2.5_v1.npy',
+    'audio_embedding_vector_768',
+    'sha256:emb-demo-001',
+    '{"storage_tier":"hot"}'::jsonb
+);
+```
+
+### 16.2 一个推荐的向量侧表样例
+
+> 这里是逻辑样例，真实向量类型可按你的 pgvector 版本落地。
+
+```sql
+create table if not exists audio_embedding_vector_768 (
+    embedding_row_id bigserial primary key,
+    feature_id       bigint not null references feature_fact(feature_id),
+    vector_dim       integer not null default 768,
+    embedding_vector vector(768),
+    created_at       timestamptz not null default now()
+);
+```
+
+### 16.3 feature_fact 与 vector table 的关联查询
+
+```sql
+select ff.feature_id,
+       ff.song_id,
+       ff.object_id as window_id,
+       ff.model_name,
+       ff.feature_set_name,
+       ff.embedding_dim,
+       ff.embedding_uri,
+       ff.vector_table_name,
+       v.embedding_row_id
+from feature_fact ff
+left join audio_embedding_vector_768 v
+  on v.feature_id = ff.feature_id
+where ff.feature_type = 'embedding'
+  and ff.model_name = 'mert-v1-95m'
+  and ff.feature_set_name = 'mert_5s_hop2.5_v1';
+```
+
+### 16.4 查哪些 embedding 还没进入 vector table
+
+```sql
+select ff.feature_id,
+       ff.song_id,
+       ff.object_id as window_id,
+       ff.embedding_uri
+from feature_fact ff
+left join audio_embedding_vector_768 v
+  on v.feature_id = ff.feature_id
+where ff.feature_type = 'embedding'
+  and ff.embedding_dim = 768
+  and ff.vector_table_name = 'audio_embedding_vector_768'
+  and v.feature_id is null
+order by ff.song_id, ff.object_id;
+```
+
+### 16.5 查哪些冷层 embedding 可以先不进热索引
+
+```sql
+select ff.feature_id,
+       ff.song_id,
+       ff.object_id,
+       ff.embedding_uri,
+       ff.metadata_json
+from feature_fact ff
+where ff.feature_type = 'embedding'
+  and coalesce(ff.metadata_json->>'storage_tier', 'cold') = 'cold'
+  and ff.vector_table_name is null
+order by ff.song_id, ff.object_id;
+```

@@ -854,3 +854,154 @@ order by w.song_id, w.parent_object_id, w.start_ms;
 ### 17.8 一句话策略
 ### 17.8 一句话策略
 
 
 > 大规模阶段不要先追求“所有模型都齐”，而要先保证 **对象主链完整、exact 先可用、semantic 可持续补齐、集合可分层治理**。
 > 大规模阶段不要先追求“所有模型都齐”，而要先保证 **对象主链完整、exact 先可用、semantic 可持续补齐、集合可分层治理**。
+
+---
+
+## 18. vector table / embedding 文件存储规范
+
+当前 `feature_fact` 对 embedding 采用的是 **元数据 + 外部载荷位置** 的设计：
+
+- `feature_fact` 负责记录：
+  - 这个 embedding 属于哪个 `window`
+  - 属于哪个 `song`
+  - 由哪个 `model_name/model_version/feature_set_name` 产生
+  - 维度是多少
+  - 向量实际放在哪
+
+也就是说：
+
+```text
+feature_fact = 向量事实索引卡
+embedding_uri / vector_table_name = 向量载荷位置
+```
+
+### 18.1 为什么不把大向量直接塞进 `feature_fact`
+
+因为当前目标是 100w 音频规模：
+- `feature_fact` 应该先承担可检索、可聚合、可审计的“事实表”职责
+- 大向量 payload 适合放到：
+  - 外部文件（`embedding_uri`）
+  - 专门的 vector table（`vector_table_name`）
+
+这样做的好处：
+- 主链表更轻
+- 便于冷热迁移
+- 便于不同维度分开治理
+- 便于不同 ANN 索引策略独立演化
+
+### 18.2 当前推荐字段语义
+
+| 字段 | 含义 | 何时必填 |
+|---|---|---|
+| `embedding_dim` | 向量维度 | `feature_type='embedding'` 时必填 |
+| `embedding_uri` | 向量文件或对象存储地址 | 外部文件存储时必填 |
+| `vector_table_name` | 向量物理表名 | 落 pgvector / vector side table 时必填 |
+| `checksum` | 向量载荷摘要 | 建议填写 |
+
+### 18.3 推荐的 table naming
+
+建议按维度分表：
+
+```text
+audio_embedding_vector_8_placeholder
+audio_embedding_vector_192
+audio_embedding_vector_768
+audio_embedding_vector_1024
+```
+
+原因：
+- 不同维度的 ANN 索引通常不应混表
+- 便于控制索引构建成本
+- 便于模型演进时独立扩容
+
+### 18.4 推荐的 embedding_uri 规范
+
+建议统一成下面几种 scheme 之一：
+
+```text
+s3://bucket/path/to/embedding.npy
+oss://bucket/path/to/embedding.npy
+file:///data/embeddings/song_xxx/window_xxx.npy
+```
+
+建议路径里至少编码：
+- `song_id`
+- `asset_id`
+- `window_id`
+- `model_name`
+- `feature_set_name`
+
+例如：
+
+```text
+s3://acr-emb/phase1/mert-v1-95m/song_1001/asset_2001/window_3001_mert_5s_hop2.5_v1.npy
+```
+
+### 18.5 Phase-1 推荐策略
+
+#### 小规模 / 先打通链路
+优先：
+- `embedding_uri` 必填
+- `vector_table_name` 可先写占位或后补
+
+#### 中规模 / 要做 ANN 检索
+优先：
+- `embedding_uri` 保留
+- `vector_table_name` 同步填写
+- 向量侧表开始按维度维护
+
+#### 大规模 / 热冷分层
+优先：
+- 热层 embedding 同时保留 `embedding_uri + vector_table_name`
+- 冷层可只保留 `embedding_uri`
+- 只给热层/主 reference 建近邻索引
+
+### 18.6 推荐的冷热迁移策略
+
+#### 热层
+- `hot_set` 成员
+- 主 reference 热门版权曲
+- 保留：`feature_fact + vector_table + embedding_uri`
+
+#### 温层
+- 主 reference 全量库
+- 保留：`feature_fact + embedding_uri`
+- vector table 可按需部分加载
+
+#### 冷层
+- 长尾 song
+- 最低要求：`feature_fact + embedding_uri`
+- vector table 可不常驻
+
+### 18.7 回收策略
+
+不建议先删 `feature_fact`，而是按下面顺序回收：
+
+1. 先删或迁移冷 embedding payload 文件
+2. 再回收冷层 vector table 中对应 row / index 分片
+3. 最后如果确认整批数据弃用，才删 `feature_fact`
+
+因为：
+- `feature_fact` 是主审计事实
+- 一旦删掉，很难追溯“这个 window 是否算过、用哪个模型算过”
+
+### 18.8 一个推荐的向量侧表逻辑结构
+
+逻辑上建议至少有：
+
+```text
+embedding_row_id
+feature_id
+vector_dim
+embedding_vector
+created_at
+```
+
+关键点：
+- `feature_id` 回指 `feature_fact.feature_id`
+- 向量侧表只存向量 payload 与最少索引字段
+- song/window/model 相关语义仍以 `feature_fact` 为准
+
+### 18.9 一句话规范
+
+> `feature_fact` 负责“谁算的、算的是什么、归属到谁”，`embedding_uri / vector_table_name` 负责“向量 payload 实际放哪”。