一文搞懂Milvus:从基本概念到Schema定义、向量搜索全解析

一篇文章带你学会向量数据库Milvus(一) 向量数据库是一种专用系统,旨在通过向量嵌入和数值表示来管理和检索非结构化数据,这些数据项捕获图像、音频、视频和文本内容等数据项的本质。与使用精确搜索操作处理结构化数据的传统关系数据库不同,向量数据库在使用近似最近邻 (ANN) 算法等技术进行语义相似性搜索方面表现出色。此功能对于开发跨各个领域的应用程序(包括推荐系统、聊天机器人和多媒体内容搜索工具)以及解决 AI 和 ChatGPT 等大型语言模型带来的挑战至关重要,例如理解上下文和细微差别以及 AI 幻觉。像Milvus。 阅读详情

1 向量数据库选择

1.1 常见向量数据库

目前市面上可供选择的向量数据库有很多,例如 Chroma、Milvus、MongoDB、pgvector、Qdrant 等等。整体来看,它们可以分成两大类:

  • 专门的向量数据库:Milvus、Qdrant、Chroma,从底层就是为向量检索而设计的
  • 通用数据库 + 向量扩展:MongoDB、PostgreSQL + pgvector,在原有数据库能力上叠加了向量检索支持

两类方案各有适用场景,对于专注于 RAG 开发、对检索性能有一定要求的场景,专门的向量数据库通常是更合适的选择。

1.2 为什么选择 Milvus

这里我们以使用最为广泛之一的 Milvus /ˈmɪl.vəs/(米尔沃斯)为例来进行介绍。Milvus 这个词原意是鹰科中的一种猛禽,以飞行速度快、视力敏锐、适应性强而著称,而这也恰好能凸显它作为向量数据库时的优秀性能。

图 1. Milvus 采用者

从图1可以看到,Salesforce、PayPal、eBay 等大量知名企业都是 Milvus 的使用者,这也从侧面说明了它在生产环境中的可靠性。

Milvus 是一个开源的向量数据库,用于管理、索引和搜索高维向量数据,在机器学习、推荐系统和生成式 AI 应用中被广泛使用。同时,它还提供了丰富的 SDK(Python、Java、Go 等),能够与 AI 框架(如 PyTorch、TensorFlow、OpenAI Embeddings API)快速集成。

1.3 部署模式选择

Milvus 提供了三种部署模式,覆盖从本地原型开发到大规模生产部署的各类场景:

  • Milvus Lite:一个轻量级 Python 库,可以直接集成到应用程序中,非常适合在 Jupyter Notebook 中进行快速原型开发,或在资源有限的设备上运行
  • Milvus Standalone:单机服务器部署,所有组件打包在一个 Docker 镜像中,部署简单
  • Milvus Distributed:部署在 Kubernetes 集群上,采用云原生架构,专为十亿规模甚至更大的场景设计

在实际项目中,部署模式的选择主要取决于数据规模,如图2所示。

图 2. Milvus 版本选择

总结起来就是:Milvus Lite 建议用于百万级以内的向量规模;Milvus Standalone 可扩展至约一亿规模;Milvus Distributed 则是专为一亿到数百亿规模的大规模部署而设计的。

后续我们将以 Milvus Lite 为例来进行介绍。

2 环境安装

对于本门课程所使用的 RAG 环境,需要依次安装以下三个包:

pip install milvus-litepip install pymilvuspip install langchain-milvus

其中 milvus-lite 是核心库,pymilvus 是对应的 Python SDK,langchain-milvus 是为了后续在 LangChain 框架中使用 Milvus 而需要安装的集成包。

安装完成以后,可以通过如下方式来创建一个向量数据库文件:

1 from pymilvus import MilvusClient2 client = MilvusClient("./milvus_demo.db")

运行上述代码后,将在当前目录下生成名为 milvus_demo.db 的数据库文件,后续所有数据都会持久化存储在这个文件中。

3 基本概念

在动手操作之前,我们先来了解一下 Milvus 中几个重要的基本概念。理解这些概念的最简单方式,就是把它们和我们熟悉的关系型数据库(如 MySQL)做一个映射对比。

在关系型数据库中,我们习惯用 CRUD(增删改查)来描述数据操作,其本质是基于字段条件的精确匹配;而向量数据库同样有类似的"增删改查"逻辑,核心区别在于它的"查"不是等值匹配,而是相似度搜索。

3.1 数据库

与传统关系型数据库一样,Milvus 中的数据库是组织和管理数据的逻辑单元,可以创建多个数据库来实现多租户隔离。不过值得注意的是,Milvus Lite 不支持创建多个数据库,只含有一个默认数据库,这一点在使用时需要留意。

3.2 集合 Collections

Collections 是 Milvus 中最核心的数据组织单元,类似于关系型数据库中的表。Collection 是一个二维结构,具有固定的列和变化的行,每列代表一个字段,每行代表一个实体(Entity)。

图 3. Collection 中的实体和字段

如图3所示,这个 Collection 一共有4列和5个实体。

3.3 Schema 和字段

在创建 Collection 之前,我们需要先定义一个 Schema,用于描述这个 Collection 有哪些字段、每个字段的数据类型是什么。可以把 Schema 理解为关系型数据库中的建表语句。

同时,与关系型数据库中的主键类似,Collection 也有一个主字段(Primary Key)用于唯一标识每条记录,通常会将其设置为自增。

3.4 加载与释放

这是 Milvus 中一个与传统数据库差异比较大的概念。在 Milvus 中,执行相似度搜索之前需要先将 Collection 加载到内存中,Milvus 会将所有索引文件和字段的原始数据一并载入,以保证搜索响应速度。

在实际使用中,大多数情况下在服务启动时加载好 Collection 然后持续使用即可,不需要频繁地加载和释放。如果有多个 Collection 且内存不够全部加载,可以只保留热门 Collection 在内存中,手动释放冷门的 Collection 以节省资源。

4 Milvus 使用示例

介绍完基本概念以后,我们来看一下如何完成 Collection 的创建及基本的增删改查操作。

4.1 Schema 定义

我们以图3中的示例为例,先定义一个 Schema:

1 def define_schema():2     schema = MilvusClient.create_schema(enable_dynamic_field=True)3     schema.add_field(field_name="id", datatype=DataType.INT64,4                      auto_id=True, is_primary=True, description='主键')5     schema.add_field(field_name="title", datatype=DataType.VARCHAR,6                      max_length=512, description="新闻标题")7     schema.add_field(field_name="title_vector", datatype=DataType.FLOAT_VECTOR,8                      dim=5, description="标题向量")9     schema.add_field(field_name="create_time", datatype=DataType.INT32, description="创建时间")10     return schema1112if __name__ == '__main__':13     client = MilvusClient("./milvus_demo.db")14     schema = define_schema()

这里有一个参数值得特别说明。第2行中的 enable_dynamic_field=True 的作用是:当我们实际插入的数据中包含 Schema 未声明的字段时,Milvus 不会直接报错,而是会自动创建一个隐藏字段 $meta,将所有未声明的字段以 JSON 结构存入其中。

例如上面我们只声明了4个字段,如果插入数据时多带了两个字段 "author": "wang", "score": 98,实际存储形式会变成:

{    id: 10,    title: "xxxxxxxx",    title_vector: [...],    create_time: 2026-02-22,    $meta: {        "author": "wang",        "score": 98    }}

如果不开启这个选项,插入含有未声明字段的数据时就会报错 field extra_field not found in schema。

这里还有一点需要注意:schema 只是一个包含结构定义的 Python 对象,它本身不会单独存在于数据库中,真正持久化的是基于这个 schema 创建的 Collection。

4.2 索引及 Collection 创建

为了能够快速搜索到目标向量,在创建 Collection 之前还需要声明索引:

1 index_params = client.prepare_index_params()2 index_params.add_index(field_name="title_vector", index_type="AUTOINDEX",3                        metric_type="IP")

第2~3行声明了将要为 title_vector 字段构建索引。index_type="AUTOINDEX" 会在建立索引时自动分析 Collection 中的数据分布,并选择最优的索引参数,在搜索性能和准确性之间取得平衡。metric_type 则是指定相似度的度量方式,几种常见选项的区别如下:

类型是否考虑向量长度适合场景
L2是欧式距离
IP是推荐系统、embedding
COSINE否(只看方向)文本相似度

本文示例中使用的是 IP(向量内积)。主要考虑到在 RAG 场景中,Embedding 模型输出的向量通常已经过归一化处理,此时 IP 和 COSINE 的效果非常接近,但 IP 的计算速度更快,因此是一个更实用的默认选择。

完成 Schema 及索引定义以后,通过如下语句创建 Collection:

1 client.create_collection(collection_name="my_collection", schema=schema, index_params=index_params)

创建完成后,可以通过如下代码查看当前库中的所有 Collection:

1 res = client.list_collections()2 print(res)  # ['my_collection']

4.3 插入数据

由于上面指定了 auto_id=True,插入数据时不需要手动指定 id 字段,Milvus 会自动生成,这一点与传统关系型数据库的行为一致。示例代码如下:

1 def insert_data(client):2     dt0 = datetime.datetime.strptime("2026-03-01", "%Y-%m-%d")3     dt1 = datetime.datetime.strptime("2026-02-28", "%Y-%m-%d")4     data = [5         {"title": "谷歌AI攻克6道世界级难题!", 6          "title_vector": [0.02, 0.05, 0.12, 0.33, 0.26],7          "create_time": int(dt0.timestamp())},8         {"title": "用AI替代人类,Block裁员四成",9          "title_vector": [0.23, 0.15, 0.32, 0.09, 0.25],10          "create_time": int(dt1.timestamp())},11         # ... 其余数据12     ]13     res = client.insert(collection_name="my_collection", data=data)14     print("Generated IDs:", res)

运行结束后,将看到类似如下输出:

Generated IDs: {'insert_count': 5, 'ids': [464611230885871616, 464611230885871617, ...]}

这里有一个有意思的细节:Milvus 自动生成的主键并不是简单的自增整数,而是分布式的全局唯一 ID。为什么不能用简单自增呢?设想一下,如果节点 A 和节点 B 同时插入数据,两个节点都从 0 开始自增,那么就必然会产生冲突。所以 Milvus 的 ID 不是严格连续递增的,大家在使用时不要依赖 ID 的连续性来做业务逻辑。

4.4 查询数据

在查询数据之前,需要先将 Collection 加载到内存中:

1 def select_data(client):2     client.load_collection(collection_name="my_collection")3     print(f"加载状态:{client.get_load_state(collection_name='my_collection')}")4     # 条件查询5     res = client.query(collection_name="my_collection", filter="id >= 0",6                        output_fields=["title", "create_time"])6     print(f"查询结果: {res}")7     # 通过动态字段过滤8     res = client.query(collection_name="my_collection", filter="author == 'wangcheng'")9     print(f"动态字段查询结果: {res}")10     client.release_collection(collection_name="my_collection")

第5行中的 filter 参数类似于传统数据库的 WHERE 子句,查询时必须指定。第8行是通过动态字段进行过滤,也可以写成 filter="$meta['author'] == 'wangcheng'" 的显式形式,两种写法效果一致。

这里需要补充说明一点:在 Milvus Lite 中,load_collection 这个操作实际上已经被框架内部接管了,即使不手动调用也能正常查询。但为了保持代码在不同部署模式下的兼容性,建议还是显式加上这一步。

4.5 搜索数据

相似度搜索才是向量数据库最核心的能力——给定一个查询向量,返回与之最相似的前 K 个向量:

1 def search_data(client):2     client.load_collection(collection_name="my_collection")3     query_vector = [0.81, 0.45, 0.51, 0.26, 0.66]4     res = client.search(collection_name="my_collection",5                         anns_field="title_vector",6                         data=[query_vector],7                         limit=3,8                         search_params={"metric_type": "IP"})9     print(res)10     client.release_collection(collection_name="my_collection")

上述代码返回与 query_vector 最相似的前3个结果。这里需要注意,第8行指定的 metric_type 必须与创建索引时使用的 metric_type 保持一致,否则会出现预期外的结果。

运行结束后,可以看到类似如下输出:

data: [[{'id': 464611230885871619, 'distance': 1.76010000705719, 'entity': {}},         {'id': 464611230885871620, 'distance': 1.102099895477295, 'entity': {}},         {'id': 464611230885871617, 'distance': 0.6053999662399292, 'entity': {}}]]

返回结果中的 distance 字段就是相似度得分,当使用 IP(内积)度量时,值越大表示越相似。大家有兴趣可以对照上面插入的数据,验证一下搜索结果的排序是否符合预期。

以上完整示例代码可参见 Code/Chapter03/C09_milvus_usage.py 文件。

到此,我们就把 Milvus 的安装方法和基本使用方式介绍完了。大家在实际项目中会倾向于选择哪种部署模式,或者在安装和使用过程中遇到了什么问题,欢迎在评论区聊聊。在下一节内容中,我们将介绍如何在 LangChain 中接入 Milvus,真正把向量存储环节整合进 RAG 的开发流程中。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

一文了解Milvus2.4新特性和多向量搜索体验 比如:先提取人员A的脸部照片向量、声纹向量,然后在 Milvus 中,把人员A的脸部照片向量在众多人员的脸部向量中进行搜索,并且把人员A的声纹向量在众多人员的声纹向量中搜索,最后根据设定的两个模态向量的权重,对两个向量搜索结果重新排序,这样得到的结果,要比单向量搜索的更加准确。多向量搜索的时候,我使用的还是同一张图片,并且我是用同一张图片在两个向量中搜索的,权重设置的是,第一张照片的向量占60%,第二张照片的向量占40%。说明多向量搜索,能弥补单向量搜索的不足,让搜索的结果准确度更高。 阅读详情

相关推荐

Milvus四大核心概念深度解析:Collection、Schema、Index、Segment

向量数据库是AI应用中支撑语义搜索与RAG的关键基础设施,其本质是高维空间中近似最近邻(ANN)搜索的工程实现。理解向量索引原理、存储结构与查询加速机制,是构建可靠AI系统的前提。Milvus作为主流开源向量数据库,将ANN能力封装为可配置、可监控的模块化组件,其核心围绕Collection(数据契约)、Schema(字段协议)、Index(物理加速引擎)和Segment(存储单元)四大概念展开。这些设计直面高维向量的维度锁定、度量绑定、不可变性与分片管理等底层约束,决定了数据写入、索引构建、过滤查询与性能

alince20008的博客 401

一文带你入门向量数据库milvus:含docker安装、milvus安装使用、attu 可视化,完整指南启动 Milvus 进行了向量相似度搜索

一文带你入门向量数据库milvus:含docker安装、milvus安装使用、attu 可视化,完整指南启动 Milvus 进行了向量相似度搜索

丨汀、的博客 4万+

向量搜索实战:从零搭建高可用向量数据库与HNSW索引调优

向量搜索是实现语义检索、RAG和智能推荐的核心技术,其本质是在高维空间中高效计算向量相似度。它依赖向量数据库作为底层基础设施,通过ANN近似最近邻算法(如HNSW、IVF+PQ)将暴力遍历的O(N)复杂度降至O(log N),解决传统数据库在非结构化数据上的语义失语问题。关键技术价值在于平衡召回率、延迟与内存开销——例如HNSW提供高精度低延迟但内存占用大,而PQ量化则显著压缩存储并适配资源受限场景。典型应用涵盖电商商品语义搜、多模态图文匹配及LLM增强检索。本文聚焦Weaviate实操,覆盖环境部署、Sc

weixin_30617695的博客 508

开源的向量数据库Milvus

Milvus是一款开源的向量数据库,专为处理向量搜索任务而设计,尤其擅长处理大规模向量数据的相似度检索。

xuweilin的博客 5419

2026年向量数据库选型指南:10款主流方案对比与踩坑实录

向量数据库是大模型应用中的关键记忆与检索组件,负责将文本、图像等数据映射为向量并进行相似度搜索。其核心原理基于HNSW、IVF等近似最近邻索引,通过距离度量如余弦相似度实现高效召回。在RAG(检索增强生成)和语义搜索场景中,向量数据库能够为模型提供精准的相关上下文,显著提升回答质量。随着大模型应用落地,向量数据库选型成为工程实践的重要议题:从轻量级Chroma到高性能Qdrant,从云原生Milvus到与PostgreSQL融合的pgvector,不同方案在性能、过滤能力、部署成本上各有取舍。理解索引参数、

weixin_34355559的博客 322

向量数据库实战指南:从原理到Qdrant生产落地

向量数据库是支撑语义检索、RAG和多模态应用的核心基础设施,其本质是为高维向量相似性搜索而深度优化的专用系统,区别于在关系型数据库(如PostgreSQL+pgvector)上叠加扩展的权宜方案。它依托HNSW、IVF-PQ等近似最近邻(ANN)索引算法,在十亿级数据规模下实现毫秒级Top-K检索,并原生支持向量与标量(如category、publish_date)的混合查询。技术价值体现在显著降低LLM应用的召回延迟、提升推荐CTR与内容审核准确率,同时大幅压缩特征工程与服务编排成本。典型应用场景包括RA

weixin_30621959的博客 465

Milvus向量数据库实战:核心原理、索引调优与Python检索

向量检索是处理非结构化数据相似度匹配的基础技术,它将文本、图像等内容通过嵌入模型映射为高维向量,再依赖近似最近邻(ANN)索引如HNSW等结构加速查找。相比暴力全量扫描,ANN索引能在大幅降低延迟的同时保持可接受的召回精度,是支撑千万级数据实时响应的关键技术。该技术广泛应用于以图搜图、语义检索、RAG知识库、推荐系统等场景,已成为AI工程落地中的核心组件。Milvus作为开源向量数据库,将向量索引构建、持久化存储、查询调度与资源管理封装为统一服务,配合Python SDK可快速搭建生产级检索链路。本文从向量

weixin_31528001的博客 207

Qdrant分布式向量架构深度解析:从硬件亲和到零拷贝检索

向量数据库本质是内存随机访问密集型系统,其性能瓶颈不在网络或磁盘IO,而在于CPU缓存命中率、内存带宽争抢与NUMA拓扑适配。理解HNSW图索引的物理内存布局、mmap零拷贝加载机制及分片-复制解耦设计,是突破百万级到十亿级向量规模检索瓶颈的关键。这类分布式向量架构强调硬件亲和调度、SIMD指令优化与异步一致性协议,广泛应用于RAG系统、金融风控与实时推荐等高并发AI生产场景。本文聚焦Qdrant在真实大规模落地中验证的工程范式,揭示如何让向量计算真正贴合底层硬件特性。

weixin_30437847的博客 371

Docker部署Milvus向量数据库:从零搭建RAG检索服务全攻略

在人工智能与大数据浪潮下,向量数据库已成为支撑语义搜索、推荐系统和知识库问答的核心组件。与传统数据库基于关键词的精确匹配不同,向量数据库通过高维向量表示文本或图像,利用近似最近邻算法计算语义相似度,从而让检索结果更贴合用户意图。在RAG(检索增强生成)流程中,向量数据库负责最关键的召回环节:先将文档切块并转为向量存储,再将用户查询向量化后检索最相关片段,最后交给大模型生成回答。Milvus作为一款开源的分布式向量数据库,凭借存储与计算分离的架构、丰富的索引类型(如HNSW、IVF_FLAT)以及完善的Pyt

weixin_31412781的博客 121

MongoDB Atlas向量搜索实战:语义检索从0到上线的7个关键细节

向量检索是RAG、智能客服和推荐系统的核心能力,其本质是将文本映射为高维空间中的点,通过余弦相似度等度量实现语义匹配。相比传统关键词检索,它能理解‘工资没到账’与‘薪资发放延迟’的语义等价性,大幅提升召回准确率。技术价值在于统一存储、混合查询与低运维成本——MongoDB Atlas Vector Search原生支持embedding与业务字段共存,允许在单次聚合管道中完成元数据过滤与向量搜索。典型应用场景包括金融知识库问答、多条件商品推荐及GDPR合规文档定位。本文聚焦落地细节,涵盖embedding维

weixin_34246551的博客 390

RAG落地真相:90%的项目其实不需要向量数据库

向量数据库是支持近似最近邻搜索(ANN)的专用存储系统,其核心价值在于超大规模、低延迟、多条件联合过滤场景;但绝大多数RAG应用的知识库规模小于50万chunk,全链路瓶颈实际集中在数据预处理、语义分块、查询改写与重排序等环节,而非向量检索本身。真实生产数据显示,向量检索平均仅占端到端耗时9.3%,而PDF解析错误、chunk策略失当、embedding模型领域不匹配等问题才是准确率下滑的主因。因此,在未夯实chunk质量、未验证检索延迟真实占比、未穷尽BM25混合检索与缓存优化前,盲目引入Pinecone

weixin_34081595的博客 536

从零到一:AI时代的“长期记忆体”——助力数据库全攻略

在AI眼中,万物皆可数学。通过嵌入(Embedding)算法,一段文字可以变成一个集群的数值集群,例如$[0.12, -0.98, ..., 0.56]$。高维性:通常有768维甚至上千维,每个维都代表隐藏某种的语义特征。语义空间:在多维空间里,意思是越接近的物体,它们之间的距离就越短。。Python# 连接 Milvus 服务# 定义字段:主键 ID + 128维的向量字段fields = [

kanna1209的博客 1022

向量数据库本质:从语义检索到可运维基础设施的范式切换

向量数据库并非传统数据库的简单扩展,而是面向高维向量相似性搜索重构的存储引擎。其核心原理基于近似最近邻(ANN)算法,如HNSW与IVF-PQ,突破B+树在随机内存访问和增量更新上的固有瓶颈。技术价值在于将原本应用层CPU密集的余弦相似度计算,下沉为亚毫秒级原生数据库操作,显著提升RAG、多模态搜索与实时推荐等AI场景的工程可行性。典型应用场景包括电商以图搜图、金融智能问答、客服语义去重等对Recall@K与P99延迟高度敏感的线上服务。本文聚焦真实落地中的五大硬指标验证——尤其Recall@10与P99稳

weixin_33970449的博客 468

LlamaIndex索引与存储实战:从向量数据库到持久化部署

在构建智能检索与问答系统时,索引与存储是核心基础设施。索引的本质是将非结构化数据转化为机器可理解的结构化表示,其中向量索引通过嵌入模型将文本语义编码为高维向量,实现基于相似度的语义检索。这项技术的核心价值在于解决大语言模型(LLM)的上下文长度限制和知识实时性问题,为RAG(检索增强生成)应用提供精准的上下文信息。在实际工程中,需要根据应用场景选择合适的向量数据库(如Chroma、Pinecone)和存储策略,确保系统的可扩展性与稳定性。本文聚焦于LlamaIndex框架,深入探讨如何构建可持久化的向量索引

weixin_33913332的博客 369

构建有记忆的AI助手:Pinecone向量数据库实战指南

向量数据库是实现AI长期记忆与语义检索的核心基础设施,其原理在于将非结构化文本映射为高维空间中的稠密向量,通过相似度计算实现上下文感知的精准召回。技术价值体现在突破大模型无状态限制,支撑知识库动态更新、多源信息融合与低延迟响应。典型应用场景包括企业智能客服、技术文档问答系统、医疗设备维修助手等需强业务语境理解的领域。本文聚焦Pinecone在真实工业场景中的选型依据、语义分块策略、metadata过滤优化及text-embedding-3-small嵌入适配等关键实践,覆盖从PDF解析、向量入库到抗幻觉对话

cuk0051的博客 851

ModaHub魔搭社区:开源向量数据库的Milvus怎么读?

此外,需要注意的是,Milvus作为一个中文词语,也可以按照英文的发音方式来读。在这种情况下,可以按照字母的发音读出“M”和“I”,然后将“L”和“V”合并成一个音节,最后将“S”和“U”合并成一个音节。综上所述,Milvus作为一个中文词语和开源向量数据库Milvus品牌名称,可以根据不同的场景和用途进行解释和发音。Milvus是一个中文词语,意为“Milvus navigate,为智慧找方向,为价值做链接,为创作者做伙伴”。在发音时,需要将三个拼音连在一起,注意每个音节的发音准确性和重音的把握。

实战AI智能体 7450

【AI 一文入门】从 Prompt 到 Agent,搞懂所有核心概念 + 大数据提效实战

本文系统梳理了AI应用开发的核心概念,从Prompt到Skill、Agent、RAG、MCP等技术的演进逻辑,构建全景知识图谱。通过对比分析与实战案例,揭示各技术的本质区别与协同关系,帮助开发者建立从0到1的认知体系,掌握AI应用设计的正确姿势。

zy123456nn的博客 305

RK3588设备树节点实战:从零配置音频与显示模块(ES8388+DSI0)

本文详细介绍了在RK3588平台上配置音频编解码器ES8388和显示接口DSI0的设备树节点实战。通过具体案例拆解设备树节点的编写逻辑与调试技巧,包括音频路由与声卡配置、DSI控制器基础配置、视频通路路由配置以及电源管理与时钟树设计。文章还提供了调试工具与实战技巧,帮助开发者快速解决常见问题。

weixin_42525637的博客 354

Ai-Agent学习历程—— 阶段3——RAG 与记忆机制

基于学习大纲我们有了一个简单的地图,从官网的资料进行对应,主要是以下三部分过程中可以进行参考官方文档,但有一些可能会基于目前最新的资料进行适当的更改,让我们愉快的开始吧!这里为您梳理第一节:ETL 数据智能清洗与高阶分块的学习地图。本节将带您攻克数据进入向量数据库之前的“清洗、结构化解析、智能切分与父子文档关联”全流程,彻底打牢 RAG 的数据地基。以现在大模型的发展来说,200K的上下文甚至接近300K的都有,几本书是不成问题的,那切片的意义又在哪?核心原因有三个:在 RAG 系统中,用户提问后,我们不能

蓝桉 863

Java 简易版 UDP 多人聊天室

【代码】Java 简易版 UDP 多人聊天室。

nmy15570188135的博客 1190

MFRC522防冲突机制详解:当两张IC卡同时靠近读写器,会发生什么?

本文深入解析了MFRC522芯片在多张IC卡同时靠近RFID读写器时的防冲突机制,重点介绍了二叉树搜索算法在比特级的实现原理。通过详细的寄存器配置优化和实际工程案例,展示了如何有效解决信号碰撞问题,提升多卡场景下的读写性能。

weixin_29191669的博客 429
上一篇: LoT视觉推理入门基础教程(非常详细),搞定知识型VQA看这篇就够了!
下一篇: 模型差距缩小,Harness 差距拉大!Coding Agent 工程化落地全攻略(非常硬核),收藏这一篇就够了!
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值