- 博客(5)
- 收藏
- 关注
RSS订阅原创 RAG混合检索【有效提高召回率】
连接 Milvus 服务，初始化 BGE-M3 嵌入模型如果同名 Collection 已存在就先删掉（方便重复运行）按 Schema 创建新 Collection，同时支持稀疏和密集两种向量字段分别为两种向量字段创建索引import osos.environ["HF_ENDPOINT"] = "https://hf-mirror.com" # 国内镜像，加速模型下载# 🔧 【按你的环境修改这里】# Collection 名称：随便起，不与已有的冲突即可。
2026-04-22 09:58:38
591
原创 RAG 索引优化：让检索又准又快的两把钥匙
摘要： RAG系统常因文本分块过碎或过大导致回答质量不佳。本文提出两种优化方法：句子窗口检索（检索单句后扩展上下文）和结构化递归检索（分层检索）。以气候报告为例，代码演示了句子窗口检索的实现：单句向量化存储，检索后自动扩展上下文窗口，显著提升回答连贯性。相比传统分块检索，该方法能精准定位关键句同时保留完整语义背景，解决"断章取义"问题。
2026-04-21 09:54:12
496
原创 Milvus 入门：一个向量数据库，管好你的 AI 记忆
本文介绍了Milvus向量数据库的核心概念和应用场景。主要内容包括： Milvus作为生产级向量数据库的优势，相比FAISS等工具具备分布式、持久化等特性，适合高并发场景。 通过图书馆类比解释Milvus的核心架构：Collection（图书馆）、Partition（分区）、Entity（书本）的层级关系。 详细对比了四种向量索引类型（FLAT、IVF、HNSW、DiskANN）的特点和适用场景，推荐HNSW作为通用方案。 演示了从Docker部署到实战应用的完整流程，包括多模态检索的实现方法。 介绍了过滤
2026-04-14 09:37:30
887
原创 向量数据库：AI 的“超级记忆宫殿“
摘要： 本文深入解析AI知识检索的核心技术——向量数据库，解决大模型的知识冻结和上下文限制问题。通过将文本转化为高维向量坐标，实现语义相似度检索。文章对比了暴力搜索与HNSW索引的效率差异，详细介绍了FAISS、Milvus等主流工具的特性与适用场景，并提供了30行代码搭建向量检索系统的实战方案。从向量化原理到数据库选型，完整呈现AI知识检索链路，帮助开发者快速构建高效的RAG系统。
2026-04-12 19:53:07
708
原创 初识 RAG：让 AI 学会“开卷考试“
RAG，全称（检索增强生成），是目前 AI 应用领域最火热的技术范式之一。用一句话来概括它的精髓：💡RAG 就是让 LLM 学会了"开卷考试"——它既能利用训练时学到的通识知识，也能在回答时临时"翻阅"指定的外部资料。学到这里，你已经掌握了 RAG 的核心概念和基础实现。是什么：RAG = 检索（Retrieval）+ 增强（Augmented）+ 生成（Generation），通过外部知识库弥补 LLM 的知识局限为什么用：相比微调，RAG 成本低、可更新、答案可溯源，是企业 AI 应用的首选方案。
2026-04-06 19:14:26
565
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人