检索策略终极选型:全文检索 vs 向量检索 vs 图检索

深入剖析Elasticsearch向量检索的性能优化之道 本文深入探讨Elasticsearch向量检索的性能优化策略,重点分析HNSW算法调优、内存管理及硬件选型等关键因素。通过实战案例展示如何平衡精确搜索与近似搜索,提升kNN查询效率,并分享页缓存优化、向量量化等高级技巧,帮助开发者应对大规模向量检索的性能挑战。 阅读详情

这个问题问得很典型,也很容易踩坑。我见过一个团队,把整个知识库迁到 Neo4j,结果上线后发现——用户问「最新的退款政策是什么」这类问题,召回率反而比原来的 ES 差了 30%。不是 Neo4j 的问题,是用错场景了。

全文检索、向量检索、图检索,这三种技术各自解决的是完全不同的问题。没有哪种是「最强的」,只有「最合适的」。这篇我把三种检索的底层逻辑、适用场景、选型决策树全部拆开,配上真实对比数据,一次说清楚。


01 全文检索:倒排索引 + BM25,「字面精准」的王者

先说全文检索的底子。你在 Elasticsearch 里搜一个词,它干的事情是这样的:

用户输入「退款政策2024」
→ 分词:[「退款」, 「政策」, 「2024」]
→ 倒排索引查找:「退款」→ [doc3, doc7, doc12, doc18];「政策」→ [doc1, doc3, doc9, doc12];「2024」→ [doc5, doc12, doc20]
→ 取交集 + BM25打分排序
→ 返回:doc12(分最高) > doc3 > …

BM25 的计分逻辑背后是三个思想:词频饱和(同一词出现100次,不是比出现5次重要20倍)、稀有词权重更高(「SPLADE」这种罕见术语,一出现就加大分)、文档长度归一化(短文档和长文档的词频不能用同一把尺子量)。

// LangChain.js 里用 ES 做全文检索importClientfrom"@elastic/elasticsearch"constnewClientnode"http://localhost:9200"asyncfunctionfullTextSearchquery: string, indexName: stringconstawaitsearchindexbodyquerymulti_matchqueryfields"content^2""title^3"// title权重更高type"best_fields"fuzziness"AUTO"// 容错一两个字highlightfieldscontentfragment_size150returnhitshitsmap(hit) =>score_scorecontent_sourcecontenthighlighthighlightcontent
``````hljs
# Python 版本(elasticsearch==8.x · langchain-elasticsearch==0.2.x)fromimport"http://localhost:9200"deffull_text_searchquery: str, index_name: strlistdict"query""multi_match""query""fields""content^2""title^3"# title 权重更高"type""best_fields""fuzziness""AUTO"# 容错一两个字"highlight""fields""content""fragment_size"150return"score""_score""content""_source""content""highlight""highlight""content"forin"hits""hits"

全文检索碾压其他两种的场景:

  • 用户输入的是精确词汇:型号(iPhone 15 Pro Max)、法规条文编号(合同法第52条)、人名(张三)
  • 数据里有大量专业术语、缩写:医疗编码 ICD-10、技术规范 RFC 7231
  • 低延迟强需求:BM25 搜索比向量检索快 5-10 倍,资源消耗小一个数量级

全文检索彻底扑街的场景: 用户问「手机没电了怎么办」,但文档里写的是「设备电量耗尽处理方案」。BM25 拿「手机」「没电」去匹配,一条都召不回来,因为字面上根本不重合。


02 向量检索:语义空间里的「意义匹配」

向量检索的核心思想是:把语言映射到数学空间,让意思相近的句子,距离也相近。

「手机没电了」 → [0.82, -0.31, 0.47, …, 0.12](1536维)
「设备电量耗尽」 → [0.79, -0.28, 0.51, …, 0.15](1536维)
余弦相似度 = 0.94 ← 非常近,能召回

这就是为什么「语义检索」能找到「表达方式不同,但意思相同」的内容。

// LangChain.js 向量检索完整示例importOpenAIEmbeddingsfrom"@langchain/openai"importMilvusfrom"@langchain/community/vectorstores/milvus"constnewOpenAIEmbeddingsmodel"text-embedding-3-small"constawaitMilvusfromExistingCollectioncollectionName"knowledge_base"clientConfigaddress"localhost:19530"// 语义检索 - 表达不同也能找到asyncfunctionsemanticSearchquery: string, topK = 5constawaitsimilaritySearchWithScorereturnfilter([_, score]) =>0.7map([doc, score]) =>contentpageContentmetadatametadata// MMR 避免返回重复内容asyncfunctiondiverseSearchquery: stringreturnawaitmaxMarginalRelevanceSearchk8fetchK20lambda0.6// 0=最大多样性,1=最大相关性
``````hljs
# Python 版本(langchain-openai==0.1.x · langchain-milvus==0.1.x)fromimportfromimport"text-embedding-3-small""knowledge_base""host""localhost""port"19530# 语义检索 - 表达不同也能找到defsemantic_searchquery: str, top_k: int = 5listdictreturn"content""score""metadata"forinif0.7# MMR 避免返回重复内容defdiverse_searchquery: strlistreturn8200.6# 0=最大多样性,1=最大相关性

向量检索真正发挥威力的场景: 问答型 RAG(用户问「这个产品怎么退货」,文档里是「退款流程说明」)、多语言检索、模糊意图理解。

向量检索踩坑最多的场景: 精确数字/编号查询;否定语义(「不含咖啡因的饮料」——模型经常把「咖啡因」的相似度拉上来,反而召回含咖啡因的);超长文档(单向量压缩了太多信息,检索精度大幅下降)。


03 图检索:关系网络里的「路径推理」

前两种检索的共同盲区是:它们都把每个文档当独立个体对待,看不到文档之间的关系。

图检索解决的是另一类问题:

向量检索:搜「LangGraph 作者 OpenAI 合作」→ 没直接命中 → 召回失败

图检索的推理路径:
LangGraph → 属于 → LangChain → 创始人 → Harrison Chase
Harrison Chase → 参与 → [项目A, 项目B, 项目C]
项目B → 合作方 → OpenAI → 找到了,3跳关系推理

// LangChain.js + Neo4j 图检索 + 自然语言转 CypherimportNeo4from"@langchain/community/graphs/neo4j_graph"importGraphCypherQAChainfrom"langchain/chains/graph_qa/cypher"importChatOpenAIfrom"@langchain/openai"constawaitNeo4initializeurl"bolt://localhost:7687"username"neo4j"password"your-password"database"knowledge"constnewChatOpenAImodel"gpt-4o"temperature0constGraphCypherQAChainfromLLMreturnIntermediateStepstruecypherPrompt`    你是 Neo4j 专家,将用户问题转换为 Cypher 查询。    只生成 MATCH/RETURN,不要 DELETE/UPDATE。    节点:Person, Organization, Project, Technology    关系:CREATED, WORKS_FOR, COLLABORATES_WITH, USES, BELONGS_TO  `constawaitinvokequery"LangGraph 的创建者还参与了哪些项目?"consolelog"生成的 Cypher:"intermediateSteps0queryconsolelog"答案:"result
``````hljs
# Python 版本(langchain-community==0.2.x · neo4j==5.x)fromimportfromimportfromimport"bolt://localhost:7687""neo4j""your-password""knowledge""gpt-4o"0True"""    你是 Neo4j 专家,将用户问题转换为 Cypher 查询。    只生成 MATCH/RETURN,不要 DELETE/UPDATE。    节点:Person, Organization, Project, Technology    关系:CREATED, WORKS_FOR, COLLABORATES_WITH, USES, BELONGS_TO    """"query""LangGraph 的创建者还参与了哪些项目?"print"生成的 Cypher:""intermediate_steps"0"query"print"答案:""result"

图检索专属的战场: 多跳推理(供应商的供应商)、关系型问答(企业关系图谱)、路径发现(从技术A到技术B需要学哪些中间知识)、影响分析(改了这个模块,影响哪些下游服务)。


04 三种检索的横向对比:你真的需要图检索吗?

这是一份综合 benchmark 和工程实践的对比数据:

指标全文检索(BM25)向量检索图检索混合检索
精确词召回率★★★★★★★☆☆☆★★★☆☆★★★★☆
语义召回率★★☆☆☆★★★★★★★★☆☆★★★★☆
多跳关系推理★☆☆☆☆★☆☆☆☆★★★★★★★★☆☆
构建成本低(导入即用)中(需Embedding)高(需抽取关系)中高
查询延迟极低 <50ms低 50-200ms中 200-500ms中 100-300ms
知识更新成本低(增量索引)低(增量向量化)高(维护图结构)低-中
可解释性★★★★★★★☆☆☆★★★★☆★★★☆☆

看完这张表,结论很清楚:图检索的多跳推理能力是独一无二的,但构建和维护成本比其他两种高出一个档次。


05 选型决策树:什么业务用什么检索

  • 精确词/编号/术语匹配 → 全文检索(ES/BM25):型号查询、法规条文、合同编号
  • 「意思」而不是「词」的匹配 → 向量检索(Milvus/Weaviate):FAQ问答、文档理解、多语言
  • 实体之间的关系推理 → 图检索(Neo4j):供应链分析、组织架构、知识图谱问答
  • 以上都有 → 混合检索(多路召回 + Rerank):实际生产系统 80% 属于这里

具体业务场景速查:

业务场景推荐策略理由
电商商品搜索全文 + 向量混合商品型号要精确,语义也要匹配
企业知识库问答向量 + 全文混合问法多样,但也有精确词
法律合规检索全文检索为主法条引用必须精确,不能「语义近似」
医疗诊断知识图谱图检索症状-疾病-治疗的多跳推理
代码文档检索全文 + 向量混合API 名字要精确,注释要语义匹配
供应链风险分析图检索为主企业关联关系的多跳分析
客服对话系统向量检索为主用户问法千变万化
产品说明书问答向量检索为主用户自然语言问,文档是结构化写法

06 混合检索的工程实现:三路召回 + RRF 合并

实际生产里,80% 的系统最终都走到了「混合检索」。这里是完整实现:

// 三路召回 + RRF (Reciprocal Rank Fusion) 合并 + Rerank 精排importCohereRerankfrom"@langchain/cohere"interfaceSearchResultcontentstringscorenumbersource"fulltext""vector""graph"Recordstringunknown// RRF:消除不同检索系统分数不可比的问题// 关键:只用排名,不用分数绝对值functionreciprocalRankFusion  results: SearchResult[][],  k = 60SearchResultconstnewMapstringscorenumberdocSearchResultforconstofforEach(doc, rank) =>constcontentslice0100const11ifhasgetscoreelsesetscorereturnArrayfromvaluessort(a, b) =>scorescoremap(item) =>doc// 判断是否需要图检索(关系推理关键词触发)functionneedsRelationalReasoningquery: stringbooleanconst"的上级""的下级""负责人""属于""管理""关联""依赖""影响""供应商""合作方"returnsome(kw) =>includesasyncfunctionhybridSearchquery: string, topK = 5consttasksPromiseSearchResultfullTextSearchthen(r) =>map(d) =>source"fulltext"asconstsemanticSearchthen(r) =>map(d) =>source"vector"asconst// 图检索按需开启,成本高ifneedsRelationalReasoningpushgraphSearchthen(r) =>map(d) =>source"graph"asconstconstawaitPromiseallconstreciprocalRankFusion// Rerank 精排(提升质量但+100ms延迟)iflengthconstnewCohereRerankmodel"rerank-multilingual-v3.0"returnawaitcompressDocumentsslice020map(r) =>pageContentcontentmetadatametadatareturnslice0
``````hljs
# Python 版本(langchain-cohere==0.1.x · langchain-community==0.2.x)importfromimportfromimportfromimport@dataclassclassSearchResultstrfloatstr# "fulltext" | "vector" | "graph"dictdict# RRF:消除不同检索系统分数不可比的问题,只用排名defreciprocal_rank_fusion    results: list[list[SearchResult]], k: int = 60listdictstrdictforinforinenumerate10011ifin"score"else"score""doc"return"doc"forinsortedlambda"score"True# 判断是否需要图检索(关系推理关键词触发)defneeds_relational_reasoningquery: strbool"的上级""的下级""负责人""属于""管理""关联""依赖""影响""供应商""合作方"returnanyinforinasyncdefhybrid_searchquery: str, top_k: int = 5list# 图检索按需开启,成本高ifawaitlist# Rerank 精排(提升质量但 +100ms 延迟)iflen"rerank-multilingual-v3.0"forin20returnreturn

07 常见坑:选型踩过的那些雷

坑 1:「向量检索万能论」

把原来的 ES 全换成了向量库。结果上线后,产品编号搜索准确率从 95% 掉到了 60%。原因:向量检索对精确词不友好,「iPhone15ProMax-256G-黑色」和「iPhone 15 Pro Max 256GB 黑」在向量空间里距离不一定近。

修复:保留 ES 做精确词的兜底召回,向量库做语义补充。

坑 2:「图检索必须上 Neo4j」

花了 3 个月把知识库全迁到 Neo4j,结果发现 80% 的查询根本不是关系推理,纯文档问答反而比 ES 差。

修复:先问自己「我的查询真的需要多跳推理吗」。如果 95% 的问题是「找内容」,ES + 向量就够了。

坑 3:「混合检索 = 结果简单合并」

把 BM25 的分数和向量相似度分数直接相加——BM25 分数可能是 12.5,向量相似度是 0.87,单位完全不同,直接加没意义。

修复:用 RRF,只用排名,不用分数绝对值。

坑 4:图检索忽略知识时效性

「张三的上级是李四」——但李四上个月离职了。图库没更新机制,推理结果可能是错的,而且 LLM 会把错误结果包装成「自信」的回答。

修复:图节点和边要携带时间戳,查询时加时效过滤。

坑 5:Embedding 模型换了,旧向量不重算

把 text-embedding-ada-002 换成 text-embedding-3-small 后,新文档入库用新模型,旧文档没重算——两批向量在不同的空间里,相似度比较完全失效。这是血泪教训。

修复:更换 Embedding 模型后,必须全量重算所有向量。


08 业界实战:成熟 Agent 产品怎么选检索策略

理论讲完了,来看看真实世界里那些被几千万用户验证过的产品,到底是怎么选的。

Notion AI:向量检索为主,全文检索兜底

Notion AI 的知识库问答是目前最主流的 RAG 落地案例之一。它的检索架构公开资料显示是双路召回:

  • 主路:OpenAI text-embedding-3-large 向量检索,覆盖用户用口语问、文档用正式语写的语义 gap
  • 兜底:Postgres tsvector 全文检索,捕捉精确的页面标题、block ID 引用
  • 没有图检索:Notion 的内容结构是树形(page → block),关系相对简单,图检索的收益不足以覆盖维护成本

选型逻辑:Notion 用户问问题的特点是「我知道大概写在哪,但不记得具体用词了」——这恰好是向量检索最擅长的场景。页面标题引用用全文兜底,覆盖率接近 100%。

Perplexity:全文检索驱动,向量做语义补充

Perplexity 的核心是实时网页检索,BM25 在这里是主力。原因很直接:网页搜索的查询词往往是关键词组合(「特斯拉 Q1 2024 财报」),全文检索精度天然占优;实时性要求高,向量化有冷启动延迟。

但 Perplexity 同时维护一个向量索引用于「相关问题推荐」——把当前问题和历史高质量问答做语义匹配,推荐相关追问。这是向量检索做「发现」而不是「精确召回」的典型用法。

选型逻辑:主任务(找答案)用全文,辅助任务(推荐发现)用向量。不混用,职责清晰。

Glean(企业搜索):三路全开的混合检索

Glean 是企业内部知识搜索的标杆产品,覆盖 Slack、Confluence、Jira、Google Drive 等 100+ 数据源。它的检索架构是目前公开案例里最复杂的:

  • 全文检索:每个数据源建独立的 ES 索引,处理精确的 Jira issue 编号、Slack 消息关键词
  • 向量检索:跨数据源的语义联合检索,解决「Slack 里说的和 Confluence 里写的意思一样但用词不同」
  • 图检索:员工关系图(谁负责什么、谁在哪个团队)+ 文档引用关系图,支持「找张三负责的所有项目的相关文档」这类多跳查询
// Glean 风格的混合检索(简化版)// 三路并发,RRF 合并,按数据源权重加成asyncfunctionenterpriseSearchquery: string, userCtx: UserContextconstawaitPromiseallfullTextSearchsourcesaccessibleSourcesvectorSearchcrossSourcetruegraphSearchpersonIduserIdhops2// 最多2跳,控制延迟// 按数据源新鲜度加权(最近修改的文档权重更高)constapplyFreshnessBoostmapr =>source'fulltext'mapr =>source'vector'mapr =>source'graph'returnreciprocalRankFusion
``````hljs
# Python 版本(langchain-community==0.2.x)importfromimport@dataclassclassUserContextstrliststrasyncdefenterprise_searchquery: str, user_ctx: UserContextlistTrue2await# 按数据源新鲜度加权"source""fulltext"forin"source""vector"forin"source""graph"forinreturn

选型逻辑:企业知识库的查询类型极度多样——有人搜 issue 编号(全文),有人问「上个季度 infra 团队做了什么」(向量),有人问「李总的直接下属负责哪些项目」(图)。三路全开是被迫的,不是炫技。

Cursor / GitHub Copilot:代码库检索的特殊策略

代码检索是一个有趣的特例,既不是纯全文也不是纯向量:

  • 全文检索:函数名、变量名、import 路径必须精确匹配——getUserById 和 get_user_by_id 是不同函数,向量可能把它们当同一个
  • 向量检索:注释和文档字符串的语义检索,找「实现了分页逻辑的函数」
  • 结构化检索:AST 解析后的符号索引(TypeScript 的 go to definition 背后就是这个)——这既不是全文也不是向量,是专门的代码图谱

Cursor 的实现里,三种检索并行,但权重会根据查询类型动态调整:问「这个函数怎么用」偏向语义;问「哪里调用了 X 函数」偏向全文+结构化。

选型逻辑:代码有自己的语义结构(AST),纯文本检索策略不够用,需要专门的代码理解层。

一张图总结:业界产品的选型模式

产品主力检索辅助检索图检索核心原因
Notion AI向量全文兜底✗内容结构简单,语义gap大
Perplexity全文(BM25)向量(推荐)✗实时网页,关键词查询为主
Glean三路并行-✓企业数据源复杂,查询类型极多样
Cursor全文+语义AST结构化✓(代码图谱)代码有专属语义结构
RAGFlow向量+全文知识图谱可选文档密集型,支持可配置

结论很清晰:没有产品只用一种检索。越是面向 C 端、场景单一的产品,检索架构越简单(Notion/Perplexity);越是面向企业、数据源复杂的产品,混合检索越复杂(Glean)。图检索只在真正需要多跳关系推理时才出现——不是因为酷,是因为别无选择。


总结

这篇从底层原理到工程实现,把三种检索方式的选型逻辑说清楚了:

  • 全文检索是精确词匹配的王:型号、编号、法规、术语,BM25 碾压其他方案,延迟最低,可解释性最强
  • 向量检索解决「意思对了但词不同」:90% 的 FAQ 问答、文档理解场景,向量检索是首选,成本可控
  • 图检索是关系推理的专属武器:多跳推理、实体关系分析,没有替代品,但构建维护成本不容忽视
  • 生产系统基本都是混合检索:全文 + 向量双路召回,RRF 合并,再 Rerank 精排,这套是当前工业界主流
  • 选型先问场景,别被技术热点带跑:图检索很酷,但大多数业务用不上多跳推理;先把全文 + 向量做扎实

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

多模态RAG核心:向量库级跨模态检索架构设计 多模态检索是现代智能知识系统的基础能力,其本质是将图像、文本、音频等异构数据统一映射到共享语义空间,实现跨模态相似性计算与联合召回。原理上依赖多模态编码器(如CLIP、Qwen-VL)的联合表征能力,并通过向量数据库(如Qdrant)支持多粒度、多向量、结构化payload的索引机制。技术价值在于突破传统RAG仅处理文本的瓶颈,显著提升图文对齐精度、局部区域定位能力和端到端检索响应效率。典型应用场景包括医疗影像辅助诊断、工业图纸智能问答、科研文献图谱构建及产品手册视觉检索。本文聚焦‘Multimodal R 阅读详情

相关推荐

Embedding技术实战指南:从词向量到RAG语义检索

Embedding是自然语言处理的核心基础,本质是将离散文本映射为连续高维空间中的语义坐标,解决One-Hot编码的维度灾难与语义鸿沟问题。其原理基于统计共现模式压缩与上下文建模,通过余弦相似度或欧氏距离量化语义关系,并支撑类比推理、句子匹配等高级能力。技术价值体现在降维表征、跨任务迁移与实时语义理解三大维度,广泛应用于RAG检索增强、智能搜索、聚类分析和知识图谱构建等工程场景。本文聚焦Word2Vec、BERT、SBERT、SimCSE等主流方法的选型逻辑、训练调优与线上稳定性问题,尤其深入解析向量坍缩、

weixin_34026276的博客 409

RAG索引与检索:生产级向量数据库选型与嵌入模型优化实战

向量检索是RAG系统的核心能力,其本质是在高维语义空间中实现高效、精准、低延迟的信息召回。理解嵌入模型如何将文本映射为向量、向量数据库如何组织近似最近邻搜索,是构建可靠AI知识库的基础。技术价值不仅在于提升Recall@K和降低P95延迟,更在于平衡精度、速度与成本——例如通过降维或量化压缩向量存储、用混合检索弥补纯ANN的关键词盲区、以领域微调模型替代通用大模型。典型应用场景包括金融政策问答、医疗文档检索、制造业维修知识库等对数据合规、响应时效和语义准确性有严苛要求的业务系统。本文聚焦真实落地中的索引稳定

weixin_33847182的博客 350

【生产级 RAG 系统】混合检索:稀疏 + 密集 + 学习排序——融合多种检索策略的终极方案!

在生产级 RAG 系统中,单一检索策略往往难以满足复杂场景的召回需求。混合检索通过融合稀疏检索(BM25/TF-IDF)和密集检索(向量相似度),结合学习排序(LTR)技术,实现优势互补,显著提升检索质量。本文将深入讲解混合检索的架构设计、算法原理和实战实现。

404 Not Found 142

构建向量检索系统的索引选型

⚠️ 注意:IVF_PQ内存节省98%,但召回率通常降至85%~95%HNSW像社交网络六度空间理论(通过朋友找朋友)PQ像压缩图片:保留轮廓但丢失细节(JPG原理)功能,通过AI模型动态选择索引类型,免人工调参。IVF像图书馆分区管理(先找书架再找书)

frostmelody 全网同名,大家多多关注呀~ 持续分享优质内容! 704

华为防火墙双线路配置实战:5分钟搞定主备自动切换(含健康检查避坑指南)

本文详细介绍了华为防火墙双线路配置实战,包括主备自动切换和健康检查机制的优化技巧。通过智能健康检查机制,华为防火墙能实现毫秒级故障自动切换,确保网络高可用性。文章提供了从架构设计到实战配置的全流程指南,并分享了常见配置误区与解决方案,帮助中小企业快速搭建稳定可靠的网络架构。

weixin_30872337的博客 607

【域控制器EMC】域控制器EMC设计总结

汇总项目设计当中关于EMC的设计要点,主要从原理设计、Layout、结构、外设部分总结。满足要求的器件和合理的电路能降低电磁干扰;正确的布局、接地、信号路径、屏蔽等可以减少电磁辐射。结构件设计也会对EMC性能产生影响。

weixin_42098658的博客 1262

RuVector中的噪声过滤:提升向量检索质量的终极指南

在处理大规模向量数据时,噪声过滤是确保检索准确性和系统性能的关键环节。RuVector作为高性能向量与图数据库,通过创新的噪声过滤技术有效提升向量检索质量,为AI应用和实时分析提供可靠的数据基础。本文将深入探讨RuVector中的噪声过滤机制及其实际应用方法。 ## 为什么噪声过滤对向量检索至关重要 🧐 向量检索系统常常面临各种噪声干扰,包括数据采集过程中的误差、特征提取算法的局限性以及环境

gitblog_01162的博客 992

优快云余额充值前必读:这5个隐藏条款,90%的开发者都忽略了(附iOS内购避坑指南)

本文揭示了优快云余额充值中90%开发者忽略的5个隐藏条款,包括不可退款规则、iOS内购限制、账号安全责任等关键内容,特别提供了iOS内购避坑指南,帮助开发者避免资金损失和账号风险。

weixin_26765287的博客 151

RediSearch替代ES高频搜索:轻量级向量与全文检索加速方案

全文检索和向量搜索是现代应用的核心能力,其性能瓶颈常源于通用搜索引擎的架构冗余。RediSearch作为嵌入Redis的专用索引引擎,摒弃JVM与分布式抽象,采用内存内Trie+跳表结构与精简倒排索引,在高频、确定性查询场景下实现低延迟与高吞吐。它天然支持TEXT、TAG、NUMERIC及FLAT向量检索,无需重写业务逻辑即可通过代理或双写平滑接入,特别适用于电商实时搜索、标签导航与百万级向量相似匹配等对P95延迟敏感的生产场景。

weixin_34288121的博客 417

极空间NAS零基础部署Wiki.js:Docker+PostgreSQL全流程避坑指南

本文提供了一份在极空间NAS上从零部署Wiki.js私有知识库的详细指南。通过Docker容器化技术,结合PostgreSQL数据库,手把手讲解环境准备、核心组件配置、性能优化及安全加固等全流程,并特别针对极空间平台特性提供了避坑要点,帮助用户打造安全、高效、自主可控的知识管理系统。

3a9bq4r8t2y的博客 489

麒麟信安3.3-6C电网版虚拟机安装避坑指南:从ISO下载到SSH配置全流程

本文提供麒麟信安3.3-6C电网版虚拟机的详细安装与配置指南。针对电力行业仿真测试需求,重点解析从ISO镜像获取、虚拟机环境准备、安装过程中的三大“雷区”(如多管理员密码逻辑、分区方案、网络配置)到首次启动后的网络、SSH及root策略配置的全流程避坑要点,帮助技术人员高效、安全地完成部署。

rainy的博客 856

Embedding 与向量检索原理:从文本到语义空间的完整技术指南

> 本文是 Datawhale easy-vibe 项目附录《人工智能》章节的技术导读。计算机只认识数字、不认识文字,Embedding(嵌入)正是把"猫和狗很像、和汽车不像"这类人类直觉翻译给机器的核心技术。读完本文,你将理解 Embedding 的本质与三大特性、掌握余弦相似度与欧氏距离等核心度量方法、看懂向量索引如何让百万级数据检索降到毫秒级,并建立起从"文本 → 向量 → 存储 → 查询"

gitblog_00689的博客 983

节省人力成本40%!仓储物流AI机器人调度系统实战案例(含路径规划算法与系统架构图)

首先,我们需要定义一个Node类self.x = x # 节点x坐标self.y = y # 节点y坐标self.g = g # 从起点到当前节点的实际成本(g值)self.h = h # 从当前节点到终点的启发式成本(h值)self.f = g + h # 总成本(f值)self.parent = None # 父节点(用于回溯路径)self.task_id = task_id # 任务IDself.priority = priority # 任务优先级(1=最高,5=最低)

小程序开发 950

LangChain vs LlamaIndex vs Dify:RAG 框架选型终极对比

RAG(检索增强生成)是大模型落地的核心架构,但框架选型一直是开发者的痛点。本文从架构设计、检索能力、开发效率、生产部署四个维度,深度对比 LangChain、LlamaIndex、Dify 三大主流 RAG 框架。通过构建同一个企业知识库问答系统的实测数据,量化对比三者在文档解析、向量检索、重排序、多轮对话等核心链路上的性能差异。附完整选型决策树和生产环境架构建议

雨1986的博客 369

深入浅出讲解外部服务提供者 OAuth 2.0 帐户客户端创建与 ABAP 系统集成

本文详细介绍了在SAP ABAP平台配置OAuth 2.0客户端以安全调用外部Web服务的完整流程。主要内容包括:首先需要在外部服务提供者平台注册OAuth客户端,获取client ID和client secret;其次需特别注意重定向URI必须是公开可访问的地址;然后在ABAP系统中通过事务码OA2C_CONFIG配置OAuth客户端信息;最后阐述了常见的错误排查方法。文章强调了OAuth 2.0作为SAP系统与外部服务安全集成的标准协议,正确配置客户端是确保后续API调用安全可靠的关键前提。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1735

11、机器学习中的聚类与隐马尔可夫模型

本文介绍了机器学习中的两种重要方法:聚类算法和隐马尔可夫模型(HMM)。聚类作为无监督学习的代表,适用于发现无标签数据中的结构,常见算法包括K-均值和自组织映射(SOM),并在传感器数据分析等场景中展现应用价值。隐马尔可夫模型则是一种可解释的序列模型,用于从观测数据中推断隐藏状态,广泛应用于语音识别、自然语言处理和生物信息学等领域。文章详细讲解了HMM的核心概念如马尔可夫性质、转移与发射概率,并通过TensorFlow实现了前向算法,展示了其计算观测序列概率的动态规划思想。最后对比了两类方法的应用场景,展望

garlic的博客 181

你的RAG还在“一本正经地胡说八道”?别只怪向量检索!混合检索+重排序,根治检索不准的终极方案!

在构建 RAG应用时,很多初学者会陷入一个误区:认为 RAG 等同于“将文档切片,存入向量数据库,然后进行语义搜索”。

m0_56255097的博客 946

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Faiss向量检索终极指南:10倍性能提升的RaBitQ量化技术详解

你是否正在为海量向量数据的相似性搜索而烦恼?面对数十亿级向量检索时,传统方法要么查询速度慢得让人崩溃,要么内存占用高得惊人。现在,Facebook AI研究院开源的Faiss向量检索库带来了革命性的RaBitQ量化技术,让你的检索效率提升10倍,同时内存占用降低75%!本文将为你全面解析Faiss的核心功能、RaBitQ技术的原理,并提供从安装到实战的完整指南。 Faiss是一个专注于高效相似性

gitblog_00035的博客 1038

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Compositor 拆解:免费开源的 Mac 原生 Photoshop 替代者,大画布性能与 PSD 导入指南

Compositor 是一款 Mac 原生的开源图像编辑器,作者在 README 里把定位写得很直白:"The Photoshop alternative for Mac"。我的判断是:它值得下载的理由不是"又一个 GIMP",而是它第一次把 Photoshop 的完整工作流、非破坏性编辑,和一套 AI 代理能直接读写的工程文件格式,同时搬上了 Apple silicon + Metal 的原生技

gitblog_00007的博客 404

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

终极向量数据库集成指南:Qdrant vs Snowflake vs Milvus性能深度对比

构建现代AI应用时,选择合适的**向量数据库**是成功的关键。NLWeb项目支持多种向量数据库,包括Qdrant、Snowflake和Milvus,每种都有独特的优势和适用场景。本文为您提供完整的**向量数据库集成**解决方案,帮助您根据具体需求选择最佳方案。 ## 🚀 为什么需要向量数据库? **向量数据库**专门为AI应用设计,能够高效存储和检索高维向量数据。在检索增强生成(RAG)架构

gitblog_00614的博客 361

FGO-py:FGO 全自动战斗助手,睡前一点挂机清体力

FGO-py 是一款能替你自动清体力、自动刷材料的 FGO 自动战斗辅助工具,适合被日常肝度挤压时间的玩家:连上设备,重复点击归它,你只负责排任务和看结果。 ## 3 分钟跑起来:安装与连接 机器上装好 Python 3.11+ 之后,三步以内就能跑起来,最短路径如下: ```bash git clone https://gitcode.com/GitHub_Trending/fg/FGO-

gitblog_00627的博客 940

Easy-Vibe 附录精讲:Embedding 与向量检索原理——从文本到语义空间的完整链路

> 本文是 Datawhale easy-vibe 开源课程「附录 · 人工智能」章节中 [embedding-vector-retrieval.md](https://link.gitcode.com/i/c2875290c9779d89945f3bf69481131b) 的深度扩展版本,同步覆盖 [ar-sa 阿拉伯语版](https://link.gitcode.com/i/329ab300

gitblog_00074的博客 618

RAG系统性能调优实战:向量检索、Rerank与LLM生成的协同效率优化

本文针对RAG(检索增强生成)系统在实际应用中常见的检索不准、信息丢失和答案幻觉等问题,提出了系统性优化方案。核心思路聚焦于检索策略升级和重排序优化两大维度:在检索环节采用混合检索(Hybrid Search)策略,结合BM25关键词检索和向量语义检索的优势;在排序环节引入交叉编码器(Cross-Encoder)进行精细重排序,提升结果相关性。此外,还介绍了查询转换技术,通过LLM改写用户口语化查询为独立完整的检索语句。文章通过具体代码示例展示了多路召回和两阶段检索的完整实现流程,为构建生产级RAG系统提供

circuitsosk的博客 854

大模型又在瞎编?RAG 检索增强生成终极指南:从原理到落地,根治 95% 的事实幻觉

提示词只能缓解幻觉,RAG 才是根治私有知识捏造的终极方案 —— 从零搭建企业级私有文档问答系统

weixin_62393776的博客 1524

GraphRAG vs VectorRAG:RAG技术路线深度对比与选型指南_unweaver-优快云博客

在RAG(Retrieval-Augmented Generation,检索增强生成)领域,一直存在一场旷日持久的争论:到底是简单直接的 VectorRAG 更实用,还是结构复杂的 GraphRAG 更强大?随着大模型应用从简单的问答场景向复杂的企业级知识管理演进,这个选择变得愈发关键。2025年,微软开源的 GraphRAG 框架一度被视为解决多跳问答、长文档复杂推理的"终极方案";然而,三星AI中心华沙团队的研究成果UnWeaver。

求知若渴、虚心若愚 386

不用再为文本搜索单独维护一套系统!全文检索深度解析

为了给商品、客服工单或者企业知识库增加一个搜索框,企业往往需要在业务数据库之外,再部署一套Elasticsearch。数据库保存商品、订单和用户等真实业务数据,搜索引擎保存另一份文本索引;两套系统之间,还需要通过CDC、消息队列或者同步程序持续传输数据。一个看似简单的搜索需求,最后可能变成两套集群、两份数据和一条必须保持稳定的数据链路。由此产生的问题并不少:数据库已经完成更新,搜索结果却可能尚未同步;业务查询同时涉及文本、库存、权限和订单状态时,应用需要在两个系统之间来回组合结果;

TiDB 社区干货传送门 371
上一篇: 在线教育行业,如何用Milvus混合检索+微调embedding做题库检索与去重
下一篇: LangChain vs LangGraph vs Deep Agents,一张图搞清楚该怎么选
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