語意門檻改相對式＋下架連帶刪向量（leo 兩個實測回饋）

## ① 「關懷型 AI 命中 20 筆、只有前 3 筆相關」⇒ 閾值太寬（leo 判斷正確）
固定門檻兩頭都不對，因為每個查詢的分數尺度不同（實測 youlin 實例）：
  關懷型 AI          正解 0.645-0.770，雜訊起於 0.547  ← 固定 0.5 放進 6 筆雜訊
  閉環機             正解 0.552-0.638，雜訊起於 0.446  ← 固定 0.6 砍到剩 2/4（＝早上的 0 命中）
  人力媒合系統規劃書   正解 0.842，雜訊起於 0.550
⇒ 改**相對門檻** max(0.45, top×0.8)。五組實測：固定 0.5 混入 9 筆雜訊／
  固定 0.6 有兩組正解被砍／相對式四組雜訊 0 且正解全留。

## 🔴 寫測試才發現的真問題：門檻不能在 Vectorize 那層算
Vectorize 的 indexed metadata 沒有 status ⇒ 那層不知道誰已下架。
若最高分是下架殘影（t24 復現案 0.971），拿它算門檻＝0.777，
會把 0.6 的正解一起砍光 ⇒ **又變成 0 命中**。
⇒ 相對門檻移到 routes/entries.ts，接在「hydrate＋濾下架」之後；
  embed.ts 只留絕對下限。新增測試鎖住這個順序。

## ② leo：「理論上它的向量也要刪掉，就不會有殘影了吧？」——對，補上
單筆真刪已接 deleteByIds（b7af622），但「移除整個庫」走軟刪、向量原地不動。
⇒ deprecate-by-library 同時 deleteByIds ＋ is_embedded 歸零（D1 與 Vectorize 不說兩套話）；
  backfill 兩條路徑（含 reindex）都排除 deprecated，否則下次補嵌會把殘影養回來。
不違背 t135「資料保留可還原」：D1 那列原封不動，還原後跑 backfill 重嵌即可。
回應新增 vectors_deleted，刪失敗誠實回 0 不假裝清乾淨。

驗：kbdb 91/91 綠（新增 4 項相對門檻測試，含「下架殘影不得決定門檻」）

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

kbdb/src/embed.ts

@@ -55,7 +55,34 @@ const DEFAULT_EMBED_MODEL = '@cf/baai/bge-m3'; // 1024-dim，與 Vectorize index
 //    原本硬寫在 `cypher-executor/src/routes/portal-data.ts`，換模型時那裡沒人想到要改
 //    ——這正是 bge-m3 換代「四處同步」清單漏掉的第五處。放在模型常數旁邊，
 //    下次換模型的人一定會看到它。**別再把數字複製回呼叫端。**
-const DEFAULT_MIN_SCORE = 0.5;
+// 🔴 2026-08-05 二修（leo 實測「關懷型 AI」命中 20 筆、只有前 3 筆相關 ⇒「閾值設太寬？」——對）：
+//    **固定門檻兩頭都不對**，因為每個查詢的分數尺度不一樣：
+//      查詢                  正解區間        雜訊起點
+//      關懷型 AI             0.645-0.770     0.547   ← 固定 0.5 會放進 6 筆雜訊
+//      閉環機                0.552-0.638     0.446   ← 固定 0.6 會把正解砍到剩 2/4（＝今早那個 0 命中）
+//      人力媒合系統規劃書      0.842           0.550
+//    ⇒ 改成**相對門檻**：跟著這次查詢的最高分走，取 `max(絕對下限, top × 比例)`。
+//      實測五組（上表＋「閉環機是什麼」「火星座標 奧林帕斯山」）：
+//        固定 0.5 → 正解全留，但混入 9 筆雜訊
+//        固定 0.6 → 雜訊 0，但「閉環機」兩組正解被砍到 2/4、1/4
+//        相對     → 四組雜訊 0 且正解全留；「火星座標」留 3/6
+//                   （被砍的是同一份檔的其他段落，使用者照樣找得到那份檔）
+//    絕對下限的作用：整批分數都很低時（查詢與知識庫無關），純比例會讓垃圾等比放行 ⇒ 兜底。
+const MIN_SCORE_ABS_FLOOR = 0.45;
+const MIN_SCORE_TOP_RATIO = 0.8;
+
+/**
+ * 相對門檻：由「這批結果的最高分」推出要砍在哪。
+ *
+ * 🔴 為什麼不在 semanticSearch 裡直接套（寫測試時才發現的真問題，不是 fixture 過時）：
+ *   Vectorize 端**不知道哪些已下架**（indexed metadata 沒有 status，見 upsert）。
+ *   若最高分那筆是已下架的殘影（實測有 0.971 這種），拿它當基準算出的門檻
+ *   會把真正的正解（0.6）一起砍光 ⇒ **又變成 0 命中**，正是 leo 08-05 早上撞的那個病。
+ *   ⇒ 門檻必須在「hydrate＋濾掉下架」**之後**、對倖存者的最高分計算（見 routes/entries.ts）。
+ */
+export function relativeMinScore(topScore: number): number {
+  return Math.max(MIN_SCORE_ABS_FLOOR, topScore * MIN_SCORE_TOP_RATIO);
+}
 
 /** 實際使用的嵌入模型：env 可覆寫（#59），未設用預設。 */
 function embedModel(env: Bindings): string {
@@ -180,7 +207,10 @@ export async function backfillEmbeddings(
     ? "content IS NOT NULL AND content <> '' AND json_extract(metadata_json, '$.embed') = 1"
     : BACKFILL_PREDICATE;
 
-  const conds = [basePredicate];
+  // 🔴 2026-08-05：**已下架的一律不嵌**（leo：「理論上它的向量也要刪掉，就不會有殘影了吧？」）。
+  //   沒有這條，下架時清掉的向量會在下一次 backfill 又被嵌回來 ⇒ 殘影復活，
+  //   而且 `reindex=true` 那條路更嚴重（它連 is_embedded=1 的都重推）。
+  const conds = [basePredicate, "COALESCE(json_extract(metadata_json, '$.status'), '') != 'deprecated'"];
   const params: unknown[] = [];
   if (opts.owner_id) { conds.push('owner_id = ?'); params.push(opts.owner_id); }
   if (opts.source) { conds.push("json_extract(metadata_json, '$.source') = ?"); params.push(opts.source); }
@@ -294,7 +324,8 @@ export async function semanticSearch(
     returnMetadata: 'indexed',
     ...(Object.keys(filter).length ? { filter } : {}),
   });
-  const minScore = opts.min_score ?? DEFAULT_MIN_SCORE;
+  // 這裡只套**絕對下限**；相對門檻要等「濾掉已下架」之後才能算（見 relativeMinScore 的註解）。
+  const minScore = opts.min_score ?? MIN_SCORE_ABS_FLOOR;
   return (res.matches ?? [])
     .filter((m) => m.score >= minScore)
     .map((m) => ({