ValueError: shapes (3,) and (0,) not aligned`。

快速结论：该报错通常出现在 Dify「混合检索 + weighted rerank」处理外部知识库文档时：外部文档没有有效 score，或既无 score 也无 vector，导致 _calculate_cosine / 加权计算拿到 None、None 向量或空向量。优先排查外部知识库返回的 score 与 vector 字段是否有效。

适用环境：Issue 中确认的相关组件为 Dify（代码路径 api/core/rag/rerank/weight_rerank.py、api/core/rag/datasource/retrieval_service/dataset_retrieval.py）；Issue 未提供具体 Dify 版本、操作系统、Python、CUDA、显卡或依赖版本信息，不做补充。

最快修复方案：暂无确认的一步修复方案。Issue 讨论中提出的思路是：在 _calculate_cosine 内、进行 np.dot / 范数运算之前先校验 score 与 document.vector，对无效数据按 0.0 兜底；讨论同时指出仅在 run() 加权前校验无法覆盖第二种崩溃，且该策略尚待维护者确认，可优先尝试。

注意事项：0.0 降级策略并未被维护者确认为最终方案；strict=True 只校验列表长度，不能替代分数与向量的数值校验，也不应替代此处修复。另需注意：#45518 的做法是显式抛出 ValueError，并不是跳过坏结果或降级，不能据此认定「无效数据不影响整次检索」已是既定约定。

问题场景

在 Dify 中开启混合检索并使用 weighted rerank（WeightRerankRunner），且知识库中包含外部知识库时触发。外部知识库文档在 dataset_retrieval.py 构造时被无条件写入 metadata["score"] = external_document.get("score")，当第三方服务未返回分数时该值为 None；另一种形态是 metadata 中没有 "score" 键、文档也没有向量。两种情况下一次检索会直接失败，用户看到的是 500 而非降级结果。

报错原文

doc.metadata = {"score": None, "title": "t", "dataset_id": "d"}
_calculate_cosine(...) -> [None]
run(...) -> TypeError: unsupported operand type(s) for *: 'float' and 'NoneType'

vec2 = np.array(document.vector)   # vector 是 list[float] | None = None
# 为空列表时：
ValueError: shapes (3,) and (0,) not aligned

原因分析

可能原因一：_calculate_cosine 仅判断 metadata 中是否存在 "score" 键就取用其值，不校验值是否为有效数值。外部知识库未返回分数时 metadata["score"] 为 None，随后在 run() 中参与 vector_weight * query_vector_score 运算，抛出 TypeError。

可能原因二：当 metadata 中没有 "score" 键时走向量分支，document.vector 在模型上可为 None，此时 np.array(None) 后续运算抛 TypeError；为 [] 时则在 np.dot 与范数计算处抛 ValueError: shapes (3,) and (0,) not aligned。由于该异常发生在 _calculate_cosine 返回分数列表之前，仅在 run() 加权前做校验无法覆盖。

此外，Issue 指出在无有效分数、也无向量的文档上，不应仅为返回兜底分数而触发 embedding 调用；当前 query embedding 的获取位于无 score 分支的向量检查之前。

环境排查

确认 Dify 版本，并核对 api/core/rag/rerank/weight_rerank.py 与 api/core/rag/datasource/retrieval_service/dataset_retrieval.py 是否为对应代码路径。
确认知识库检索配置：是否开启混合检索、是否启用 weighted rerank。
确认是否接入了外部知识库，以及外部服务实际返回的 score、vector 字段形态（缺失 / None / 空列表 / 有效值）。
Issue 未提供 Python、CUDA、PyTorch、显卡与依赖版本，无需据此排查；如仍报错，可附上完整 traceback 定位具体分支。

解决步骤

先复现并定位分支：在外部知识库文档进入 rerank 前，检查其 metadata 中是否存在 "score" 键及其值；再检查 document.vector 是否为 None 或空列表。
若外部服务可配置，优先让第三方返回有效数值的 score（或有效向量），这是不改代码的临时规避思路；Issue 未验证此方式。
若需改代码：在 _calculate_cosine 内对 metadata["score"] 做数值有效性校验，仅接受有效数值分数；对无效或缺失分数且无有效向量的文档按 0.0 处理（可优先尝试）。
把向量分支的保护放在 np.array(document.vector)、np.dot 与范数计算之前，避免 None 或空列表进入计算。
调整逻辑顺序，使无有效分数、无向量的文档不会仅为返回兜底分数而触发 query embedding 调用。
关于 run() 中 zip(..., strict=False)：可作为独立改动提审，是否合并以及是否改为 strict=True 需维护者确认；它不能替代数值与向量校验。
提交前与维护者确认边界：在 _calculate_cosine 内兜底还是在 run() 统一校验，以及 0.0 降级策略是否采纳。

验证方法

构造三类外部知识库文档并执行一次混合检索 + weighted rerank：metadata = {"score": None}、metadata 无 score 且 vector = None、metadata 无 score 且 vector = []。修复后应不再出现 TypeError 或 ValueError: shapes (3,) and (0,) not aligned，检索返回结果而非 500；同时确认这些文档未触发多余的 embedding 调用，且正常带有效 score 或向量的文档分数计算不受影响。