大语言模型回答企业私有文档问题需依赖检索增强生成（RAG）：先将文档切分为保留完整语义的块，用嵌入模型转为向量，通过余弦相似度等度量检索；数据量大时采用IVF或HNSW近似搜索，在速度与召回间权衡；还需元数据过滤确保政策版本正确，并配合重排序与混合搜索以找到有效证据。

文章讨论企业AI检索中的权限控制问题。核心观点是：权限不应作为事后过滤器，而应在“上下文组装”阶段结构性执行，即根据用户身份决定模型能看到哪些数据。文章以AWS、微软等平台为例，指出仅靠元数据过滤存在泄露风险，并强调需在系统间传递用户身份，确保授权在每一步被检查。

元数据过滤通过叠加结构化约束（如价格、状态、租户ID）于向量相似性搜索，确保结果既相关又合规，显著提升准确性（如从0.12升至0.61）。预过滤与后过滤影响召回和延迟，混合查询结合关键词与向量搜索增强效果。统一引擎（如Redis）避免数据同步问题，保持一致性，适用于RAG和多租户场景。

本文介绍向量搜索中的过滤技术。以电商搜索为例，说明仅靠语义搜索不够，需结合元数据过滤才能精准匹配。Qdrant采用可过滤向量索引，通过添加特殊链接解决预过滤和后过滤的缺陷。文章还讲解了滚动查询、嵌套过滤、载荷索引及多租户等用法，并建议浮点数用范围过滤。