融合打分：
  1. 融合公式
  def fuse_scores(self, context: SearchContext) -> None:
      for result in context.results:
          # 计算文本相关性分数
          text_score = (
              result.es_base_score * 0.5 +
              result.es_phrase_score * 0.3 +
              result.es_keywords_score * 0.2
          )
          
          # 最终融合分数
          result.fused_score = (
              (result.rerank_text + 0.00001) ** 1.0 *
              (result.rerank_boost + 0.1) ** 1.0 *
              (result.es_knn_score + 0.6) ** 0.2 *
              (text_score + 0.1) ** 0.77
          )
  
  2. matched_queries
  
          # Add debug information if matched_queries is present and from_search_debug is True
          if 'matched_queries' in hit:
              # Extract individual scores from matched_queries
              matched_queries = hit['matched_queries']
              if context.from_search_debug:
                  result.matched_queries = matched_queries
              if isinstance(matched_queries, dict):
                  result.es_knn_score = matched_queries.get('knn_query', 0.0)
                  result.es_phrase_score = matched_queries.get('phrase_query', 0.0)
                  result.es_base_score = matched_queries.get('base_query', 0.0)
                  result.es_keywords_score = matched_queries.get('keywords_query', 0.0)
                  result.es_tags_score = matched_queries.get('tags_query', 0.0)
              elif isinstance(matched_queries, list):
                  for query in matched_queries:
                      if query == 'knn_query':
                          result.es_knn_score = 1.0
                      elif query == 'phrase_query':
                          result.es_phrase_score = 1.0
                      elif query == 'base_query':
                          result.es_base_score = 1.0
                      elif query == 'keywords_query':
                          result.es_keywords_score = 1.0
                      elif query == 'tags_query':
                          result.es_tags_score = 1.0
  
  es_query["track_scores"] = True
  为了获取 需要打开 track_scores ？ 不一定
  Track scores
  When sorting on a field, scores are not computed. By setting track_scores to true, scores will still be computed and tracked.
  
  
  

  
  
  翻译的health很慢
  
  
  

  provider backend 两者的关系，如何配合。

  translator的设计 ： 
  
  QueryParser 里面 并不是调用的6006，目前是把6006做了一个provider，然后translate的总体配置又有6006的baseurl，很混乱！！！
  
  config.yaml 里面的 翻译的配置  不是“6006 专用配置”，而是搜索服务的
  6006本来之前是做一个provider。
  结果后面改造成了综合体，但是还没改完，改到一半发现之前的实现跟我的设计或者想法有偏差。
  
  
  需要继续改完！！！！！！！！
  
  
  -  `config.yaml` **不是“6006 专用配置”**，而是整个系统的 **统一 services 配置**，由 `config/services_config.py` 读取，**搜索 API 进程和翻译服务进程都会用到它**。
  - 关键决定行为的是这一行：
  
  ```yaml
  translation:
    provider: "llm"
  ```
  
  在当前配置下：
  
  - 搜索 API 进程里，`QueryParser` 初始化翻译器时走的是：
  
  ```python
  create_translation_provider(...)  # provider == "llm"
  ```
  
  进而返回的是 `LLMTranslatorProvider`（本进程内调用），**不会走 `base_url`，也不会走 6006 端口**。  
  - `base_url: "http://127.0.0.1:6006"` 只在 `provider: "http"` / `"service"` 时被 `HttpTranslationProvider` 使用；在 `provider: "llm"` 时，这个字段对 `QueryParser` 是完全被忽略的。
  
  所以现在的实际情况是：
  
  - **QueryParser 中的翻译是“本进程直连 LLM API”**，所以日志在搜索后端自己的日志文件里。  
  - 如果你希望「QueryParser 永远通过 6006 端口的翻译服务」，需要把 provider 改成 HTTP：
  
  ```yaml
  translation:
    provider: "http"         # ← 改成 http 或 service
    cache: ...
    providers:
      http:
        base_url: "http://127.0.0.1:6006"
        model: "llm"         # 或 "qwen-mt-flush"，看你想用哪个
        timeout_sec: 10.0
      llm:
        model: "qwen-flash"  # 留给翻译服务自身内部使用
      qwen-mt: ...
      deepl: ...
  ```
  
  
  
  
  

  suggest 索引，现在是全量脚本，要交给金伟
  
  

  翻译，增加facebook/nllb-200-distilled-600M
  https://blog.csdn.net/qq_42746084/article/details/154947534
  https://huggingface.co/facebook/nllb-200-distilled-600M
  
  
  店铺的语言：英语能占到80%，所以专门增加一个en-zh的
  https://huggingface.co/Helsinki-NLP/opus-mt-zh-en
  https://huggingface.co/Helsinki-NLP/opus-mt-en-zh
  
  
  opus-mt-zh-en
  
  from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
  model_name = "./models/opus-mt-en-zh"
  tokenizer = AutoTokenizer.from_pretrained(model_name)
  model = AutoModelForSeq2SeqLM.from_pretrained(model_name)
  data = 'test'
  encoded = tokenizer([data], return_tensors="pt")
  translation = model.generate(**encoded)
  result = tokenizer.batch_decode(translation, skip_special_tokens=True)[0]
  print(result)
  

  Qwen3-Reranker-4B-GGUF
  https://modelscope.cn/models/dengcao/Qwen3-Reranker-4B-GGUF/summary
  1. 要确定选择哪种量化方式
  2. 确定提示词
  
  

  reranker 补充：nvidia/llama-nemotron-rerank-1b-v2
  encoder架构。
  比较新。
  性能更好。
  亚马逊 电商搜索数据集比qwen-reranker-4b更好。
  支持vLLM。
  
  
  
  

  
  查看翻译的缓存情况
  
  向量的缓存
  
  
  
  
  
  
  
  

  AI - 生产 - MySQL
  HOST：10.200.16.14 / localhost
  端口：3316
  用户名：root
  密码：qY8tgodLoA&KT#yQ
  
  AI - 生产 - Redis
  HOST：10.200.16.14 / localhost
  端口：6479
  密码：dxEkegEZ@C5SXWKv
  
  
  远程登录方式：
  # redis
  redis-cli -h 43.166.252.75 -p 6479
  
  # mysql 3个用户，都可以远程登录
  mysql -uroot -p'qY8tgodLoA&KT#yQ'
  CREATE USER 'saas'@'%' IDENTIFIED BY '6dlpco6dVGuqzt^l';
  CREATE USER 'sa'@'%' IDENTIFIED BY 'C#HU!GPps7ck8tsM';
  
  
  
  ES：
  HOST：10.200.16.14 / localhost
  端口：9200
  访问示例：
  用户名密码：saas:4hOaLaf41y2VuI8y
  
  

  安装 nvidia-container-toolkit （done）

  https://mirrors.aliyun.com/github/releases/NVIDIA/nvidia-container-toolkit/
  https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/index.html
  
  

  qwen3-embedding、qwen3-reranker （done）

  选一个推理引擎，相比于我自己直接调 sentence-transformers，主要是多进程和负载均衡、连续批处理，比较有用
  当前结论：embedding 场景优先 TEI；vLLM 更偏向生成式与 rerank 场景。

  混用 大模型 使用：hunyuan-turbos-latest
  混元 OpenAI 兼容接口相关调用示例：https://cloud.tencent.com/document/product/1729/111007
  
  
  腾讯云 混元大模型 API_KEY：sk-mN2PiW2gp57B3ykxGs4QhvYxhPzXRZ2bcR5kPqadjboGYwiz
  
  hunyuan翻译：使用模型  hunyuan-translation
  https://cloud.tencent.com/document/product/1729/113395#4.-.E7.A4.BA.E4.BE.8B
  
  

  谷歌翻译 基础版：https://docs.cloud.google.com/translate/docs/reference/rest/v2/translate
  
  
  

  阿里云 百炼模型 现在使用的apikey是国内的。
  各地域的 Base URL 和对应的 API Key 是绑定的。
  
  现在使用了美国的服务器，使用了美国的地址，需要在 美国地域控制台页面（https://modelstudio.console.aliyun.com/us-east-1 ）中创建或获取API_KEY：
  
  登录 百炼美国地域控制台:https://modelstudio.console.aliyun.com/us-east-1?spm=5176.2020520104.0.0.6b383a98WjpXff
  在 API Key 管理 中创建或复制一个适用于美国地域的 Key