数据集（Dataset）概述
数据集是 MimirQ 中知识组织的顶层容器。每个数据集归属于一个 Tenant，包含若干文档（Document），并通过分类（Category）进行多维归类。检索时以数据集为边界执行权限过滤与向量召回。
核心概念模型
生命周期状态
数据集本身没有显式 status 字段，但通过 API 操作存在逻辑生命周期：
| 状态 | 含义 | 触发方式 |
|---|---|---|
| Active | 正常可用，可上传/检索 | 创建后默认 |
| Purged | 保留数据集壳，清除全部文档与向量 | POST /purge |
| Cloned | 从源数据集复制配置到新数据集 | POST /clone |
| Deleted | 物理删除，不可恢复 | DELETE /datasets/:id |
核心字段
| 字段 | 类型 | 说明 |
|---|---|---|
id | UUID | 主键 |
tenant_id | UUID | 租户隔离键 |
name | String(255) | 数据集名称，租户内唯一 |
description | String(1024) | 可选描述 |
permission | Enum | only_me / all_team_members / partial_members |
owner_id | String(255) | 创建者 account ID |
dataset_metadata | JSONB | pipeline/ingestion policy/retention policy 等配置 |
created_at | DateTime | 创建时间 |
updated_at | DateTime | 最后更新时间 |
metadata 存储策略
dataset_metadata (DB column: metadata) 是一个 JSONB 字段，承载 pipeline 配置、ingestion policy、FLS policy、retention policy、RAG defaults 等。各 service 通过 parse_*_from_metadata() 读取，upsert_*_metadata() 写入，无需额外表。
与其他实体的关系
| 关联实体 | 关系 | 说明 |
|---|---|---|
| Document | 1:N | 一个数据集包含多个文档 |
| DatasetCategory | M:N | 通过 dataset_category_memberships 关联 |
| DatasetPermission | 1:N | partial_members 模式的用户白名单 |
| DatasetGroupPermission | 1:N | 基于 TenantGroup 的组权限 |
| PrecheckScanRun | 1:N | 入库前质量预检 |
| ProfileScanRun | 1:N | 数据集画像深度扫描 |
| IngestionRun | 1:N | 统一入库批次追踪 |
| ConnectorRun | 1:N | 连接器同步批次 |
| DbCatalogTable | 1:N | DB 连接器表目录 |
租户隔离
所有查询通过 tenant_id 复合索引过滤。数据集表有 (tenant_id, id) 唯一约束，子表通过复合外键 (tenant_id, dataset_id) 引用，确保跨租户不可访问。
warning
删除数据集会级联删除所有关联文档、chunks、权限记录、precheck/profile 扫描记录。此操作不可逆。