- 博客(887)
- 收藏
- 关注
RSS订阅原创 月活11亿的Reddit ，怎么选向量数据库：Pgvector、Redis、Milvus、Qdrant
最后，两款方案其实都满足了我们大部分需求，但考虑到Reddit 是一个依然在高速增长的平台，且未来的数据体量与运维难度还将节节攀升，选择Milvus 的更强扩展性，能让整体运行更放心，也更适配Reddit 公司的情况。最后，每个方案的总分会用方案在某项需求的得分乘以这项需求的权重，再加起来（比如 Qdrant 在 “重排序 / 分数合并” 这一项得 3 分，权重是 2，那这项就是 6 分，所有项都这么算再求和）。，一同进步，开源让客户自身也能深度参与、贡献代码的方案，这样一旦遇到问题，也自主快速修复。
2025-11-20 17:59:07
978
原创 Milvus 落地顶级汽车资讯平台：如何支撑易车上亿用户的搜车需求？
（仅做变更数据同步，不做全量数据同步，不会影响业务），通过 Flink CDC 抓取 MySQL、SQL Server、MongoDB 等业务数据源变动，经 Kafka 传输、Flink Job 处理拼接、embedding 后，秒级推送至 Milvus 集群，延迟从 1 天降至秒级。对待召回数据生成相似问，提升召回率。，将文档、网页、图片等多源数据的清洗、加工、向量化封装成自动化任务，不仅保障了数据逻辑的一致性，还能充分利用大数据集群资源，提升数据处理效率，为 Milvus 提供了高质量的向量数据输入。
2025-11-18 17:57:26
423
原创 沃尔沃RAG实战：企业级知识库，早就该放弃小分块策略
此外，对于Milvus的选型，沃尔沃也没选择比较新的 PyMilvus v2 SDK 及其内置的embedding集成功能，而是选择了 SDK v1 中基于collection的旧版本，从而保证团队能够设计详细的元数据结构，并明确定义每种文档的存储、索引和检索方式。此外，针对格式繁多的非结构化数据，Milvus 支持的字段类型多达 64 种，这让沃尔沃不仅能存储嵌入向量，还能存储丰富的元数据 —— 从文档类型、来源到部门级分类等关键信息，覆盖全面。理由是，他们觉得较短的片段能带来更高的精度。
2025-10-29 18:16:00
1012
原创 先分块再向量化已经过时！先embedding再chunking才是王道
仅需调整 3 个核心超参数（最大分块大小、一二句之间的最低语义相似度需求、新句子与块内句子最大相似度的最低门槛），且超参数逻辑与分块大小自适应 —— 分块规模越大，新句子纳入的阈值越高。：计算当前分块 C 内所有句子向量间的最小 pairwise 余弦相似度，识别分块内语义最不相似的句子对，衡量分块内句子的关联紧密程度，进而判断新句子是否与分块内句子足够相似。核心决策逻辑为：若分块 C 内的最小相似度小于新句子与分块 C 的最大相似度，则新句子加入分块 C，否则开启新分块。（衡量新句子与分块的适配度）；
2025-10-28 17:57:42
736
原创 DeepSeek-OCR解读：视觉如何成为长上下文压缩的新思路
更重要的是，在计算效率层面，会将在线处理复杂度大幅降低。而 DeepSeek-OCR 通过 文本→图像→视觉 token的转换，直接将计算基础从文本 token 转为视觉 token，相当于用更低复杂度的载体重构问题。例如处理含折线图的财报时，视觉 token 可保留数据趋势，解码器能直接输出可编辑的 HTML 表格，避免传统方案仅能提取图下文字说明的局限。简单来说，用视觉模态作为长上下文的压缩载体，DeepSeek-OCR在保证精度的同时，可以实现模型算力与效率的突破。
2025-10-22 18:54:15
1134
原创 大模型落地，已经走到了用上下文工程续命时刻
当你的AI应用需要从海量上下文中快速找到最相关的信息时，这种性能表现直接决定了用户体验的好坏。DeepMind在Gemini 2.5的技术报告中详细描述了这种现象：在Pokemon游戏实验中，AI智能体偶尔会产生关于游戏状态的错误判断，并将这些错误信息写入上下文。，甚至在完全不需要工具的场景中也会错误地尝试调用工具。从1KB的文本消息到100MB的视频片段，从简单的数值记录到复杂的嵌入向量。而且，基于“Lost in the middle”现象，大模型会给上下文的开头和结尾更高的权重，忽略中间部分内容。
2025-10-13 17:58:40
1061
原创 Filevine四亿刀融资跻身法律AI独角兽，背后的infra怎么搭
在Filevine看来，无论法律类AI还是更多行业的AI产品，其本质都不是取代传统人类，而是通过向量数据库等产品，来解决人类工作中的脏活、累活，以及多数无意义的案头工作。：一个案件通常包括数千份文件，包括法庭文件、诉状和命令、证词记录和专家证人陈述、历史案件档案和先例文件，此外，复杂的医疗记录，每个病人通常有数百页。在传统的法律工作流程中，律师60–80% 的时间，都被花在寻找、过滤、对齐法律条文以及各种信息上，每天消耗的时间至少6小时起步。，日均文件上传量超过 2,000 万页，总处理文档超十亿份。
2025-09-24 18:07:58
680
原创 百图生科：如何搭建针对50亿蛋白质序列、上亿文献的AI检索系统
生物数据形态多样，涵盖蛋白质结构、DNA 序列、细胞成像、科研文本等，生命科学的突破往往就藏在跨模态数据的关联中 ——比如生物体的DNA会影响其所能产生的蛋白质大类，而蛋白质结构与细胞病变之间也往往有着对应关系。基于稳定高效的基础设施，百图生科的目标是把技术转化为真正解决行业问题的可落地方案。具体路径上，通过大模型海量的生成、预测与优化能力，AI几乎可以生成无限药物组合可能，去针对过往未被考虑的疾病治疗靶点，生成具有优化特性的新药物分子或生物制剂，辅助和优化传统制药中的高通量筛选和生成设计环节。
2025-09-23 18:07:55
1013
原创 索引选不对，成本贵十倍！HNSW与IVF如何做选型
如果采用了 PQ/SQ8 压缩，如果采用了 PQ/SQ8 压缩，系统会用查表法（lookup table method） 来加速距离计算：在查询开始时，预先计算查询向量与码本的距离，之后只需“查表+加和”即可快速得到近似距离。读者（查询向量）进门不用瞎转，直接锁定最相关的 2-3 个区域，在小范围里找书，效率自然翻倍。它的核心思路是“先粗分，再细排”：通过 k-means 聚类将海量高维向量划分到不同簇中，查询时只需进入最相关的少量候选簇，既避免了全表暴力扫描，又能兼顾速度与精度。
2025-09-18 18:11:11
1346
原创 企业级向量数据库选型，Milvus 和Zilliz Cloud哪个更合适？
需要特别注意的是，对于多数新用户而言，Milvus 的自主运维需要一定的时间沉淀与技术认知积累，因此这类用户往往更倾向于选择商业化的 Milvus 产品（如云厂商托管版 Milvus、或者Zilliz cloud）。整体来说，通过灵活的机器类型、计算存储分离、降低的运维开销、AUTOINDEX 和弹性扩展，Zilliz Cloud 比自托管的 Milvus 更具成本效益，总拥有成本（TCO）可下降 50%以上。这些特性共同为您的组织带来了更高效、自动化和强大的向量搜索体验。
2025-09-17 18:23:11
1139
原创 报名倒计时丨9月20日Milvus社区北京Unstructured Data Meetup
Unstructured Data Meetup 以非结构化数据和 GenAI为主题，面向开发者的技术分享线下聚会，该活动源自硅谷，由向量数据库领先者 Zilliz 创办。活动受众包括，AI工程师，数据科学家，大数据工程师，AI产品经理等群体。通过 Unstructured Data Meetup，让更多非机构化数据和 GenAI 开发者共聚一堂，共同探索非机构化数据和 Gen AI 的最新进展及演进方向。快扫描下方二维码报名参加，让我们一起开启非结构化数据的新篇章，探索 AI 的无限可能！
2025-09-15 18:11:52
371
原创 Meta如何给RAG做Context Engineering，让模型上下文增加16倍
Meta 团队在 Slimpajama（书籍、arXiv 领域）、PG19、Proof-Pile 等主流数据集，以及 RAG、多轮对话、长文档摘要等任务中对 REFRAG 进行了全面验证，其优势主要体现在效率提升、上下文扩展、场景适配三个维度。同时，因为 LLM 是自回归生成的（依赖前文 token），REFRAG 的方法保证了原始 token 仍能参与生成，不破坏上下文连续性。目标是让解码器基于压缩上下文（编码器输出）的生成结果，尽可能接近基于完整上下文的结果，为下游任务（如 RAG）奠定基础。
2025-09-12 19:08:21
1306
原创 Milvus × 蜜度：如何基于向量数据库构建全网多模态舆情监控系统
对于蜜度来说，舆情管理的核心之一是热点图像数据处理，虽然数据底库的总量不大，只有几十万，但是需要扛住上千的并发访问，为此，蜜度采用了Milvus的内存多副本特性，在load 集合的时候加载了 50 多个副本，从而达到了5000+的qps。作为一家以语言智能与垂直大模型为核心的AI企业，蜜度科技一直服务于政企与媒体客户，提供高效、智能、安全的信息处理解决方案。例如，我们可以同时用向量搜索找出“语义相似”的图片，同时叠加时间范围、区域、事件标签等属性过滤器，从而实现更贴近用户业务的检索逻辑。
2025-09-10 18:10:55
747
原创 实测|Perplexity最新AI浏览器产品Comet，真正的agent全家桶！
Comet不仅找到了标记为"good first issue"的入门级任务，还根据难度和技术领域进行了分类，并提供了每个issue的简要描述和解决思路。同时，直接的协议控制也提供了更精细的页面状态管理能力.比如，面对Milvus这样复杂的开源项目时，让开发者不再需要在数百个GitHub页面间来回跳转，花费数小时阅读文档却仍然一头雾水，让复杂的技术学习变得像与ChatGPT对话一样简单？Milvus是全球领先的开源向量数据库产品，其快速迭代和高活跃度，带来了许多独特的新版本特性和众多复杂的产品概念。
2025-09-09 17:59:59
1469
原创 英伟达新论文：多数LLM应用等不到盈利，SLM比LLM更适合做agent
此外，小模型针对特定任务微调的难度与效果也往往更优，更重要的是大模型的泛化能力，应对的是复杂输入，但是agenticAI存在的必要性，即在于把复杂任务拆解成一系列简单可执行的子任务。部署 “数据采集工具”，记录智能体所有 “非人机交互（non-HCI）的模型调用”—— 包括输入给 LLM 的提示词（prompts）、LLM 输出的响应、智能体调用外部工具（如计算器、数据库）的具体内容，还可以有选择的记录 “响应延迟”（为后续优化速度做准备）。也是因此，坚持“事事都用 LLM”，实质上是在错配算力，
2025-09-04 18:07:01
736
原创 报名开启丨9月20日Milvus社区北京Unstructured Data Meetup
Unstructured Data Meetup 以非结构化数据和 GenAI为主题，面向开发者的技术分享线下聚会，该活动源自硅谷，由向量数据库领先者 Zilliz 创办。活动受众包括，AI工程师，数据科学家，大数据工程师，AI产品经理等群体。通过 Unstructured Data Meetup，让更多非机构化数据和 GenAI 开发者共聚一堂，共同探索非机构化数据和 Gen AI 的最新进展及演进方向。快扫描下方二维码报名参加，让我们一起开启非结构化数据的新篇章，探索 AI 的无限可能！
2025-09-03 18:00:41
509
原创 向量检索快比LLM还贵？不支持S3的向量数据库，迟早要淘汰！
先粗略查一批，再按条件筛 —— 好处是好实现，能利用统一的底层索引结构，缺点是在过滤条件较多时，TopK 结果可能严重不足（我们测到删除 50% 数据后，TopK 20 只能返回 15 个结果）。现如今，S3自身的定位，从简单的对象存储升级成为了一个多模冷存储，不仅仅是向量，图，KV，时序等多种模态，未来常见的业务几乎都可以通过S3Table的模式加速。在我们看来，在 AI 应用里，数据不应该被粗暴割裂成在线和离线，很多情况下，他们是随时动态转化的。因此，过去向量数据库最在意的召回速率，反而不再重要。
2025-09-03 18:00:41
919
原创 Zilliz Cloud功能上新：智能扩缩容上线， SSO 、Audit Log再升级
关于 Zilliz Cloud 安全与合规实践的更多内容，可访问 Zilliz 信任中心（Zilliz Trust Center）https://zilliz.com/trust-center。功能上，Milvus 2.6 延续并加强了 2.5 版本引入的全文检索功能，进一步强化了搜索功能，并整体升级底层架构以满足更严苛的性能、成本与规模需求。此外，开源的Milvus 2.6 的所有功能，也在此次Zilliz Cloud功能升级中迎来内测（如有需要，可联系对口销售即可开通）。
2025-08-27 18:06:09
725
原创 闪灵AI ：如何靠AI视频检索，让小团队广告提案生产效率提升十倍
过去，在创意环节，广告公司想给车企想拍一支科技感汽车穿梭山林的 TVC方案，光找参考素材也得耗掉一整天：视频平台素材效果参差不齐，硬盘里的优秀历史素材，想找到最精准的画面片段，找文件夹、拖拽时间轴也要耗费不小的时间精力。低频冷数据存在S3对象存储，保持低成本。一开始，闪灵AI使用的是开源 Milvus 搭建检索系统，能实现输入文字或图片，毫秒级匹配相似视频片段的效果，但随着素材量增长到近 1000 万向量、二三十万条视频，新的问题出现了：自己搭集群太吃内存，一台服务器根本扛不住，而且运维成本特别高。
2025-08-26 18:24:53
588
原创 直播预告丨从码农到 B 站百万播放 KOL！技术人转型传播秘籍大公开
为了方便大家的交流以及技能的分享，我们组织了北辰使者说这个栏目。两位嘉宾会结合真实经历，从 “如何与 Milvus 结缘、开启社区参与” 讲到 “码农必备的 KOL 意识”，更会揭秘百万播放爆款《鲁迅说没说》（直播最后还设有 Q&A 自由讨论环节，你可以现场提出技术传播、开源参与的困惑，与嘉宾深入交流，找到适合自己的转型方向。同时，还会分享 Milvus 北极星计划的参与体会，给想入局开源与技术传播的朋友实用建议。欢迎大家锁定直播间，和我们一起解锁技术人 “破圈” 新路径，让你的技术价值被更多人看见！
2025-08-19 18:01:11
400
原创 Word2Vec、 BERT、BGE-M3、LLM2Vec，embedding模型选型指南｜最全
混合类型” 是近年的创新方向，如 BGE-M3 能生成包含稠密向量、稀疏向量，以及多向量表示 —— 即使文本中未出现 “机器学习”，模型也能通过语义推理在向量中赋予该术语一定权重，既保留了关键词匹配的精确性，又增强了语义理解能力。稀疏向量：通过线性变换与 ReLU 激活，生成包含 “相关术语权重” 的稀疏表示，即使文本中未出现某术语，模型也能通过语义推理赋予其权重（如 “iPhone 新品” 会关联 “苹果公司”“智能手机” 等术语）。Embedding 的本质是从非结构化数据到计算机语言的 语义翻译。
2025-08-15 18:04:41
924
原创 报名倒计时丨8月23日南京Unstructured Data Meetup火热招募中
Unstructured Data Meetup 是以非结构化数据和 GenAI为主题，面向开发者的技术分享线下聚会，该活动源自硅谷，由向量数据库领先者 Zilliz 创办。我们致力于通过 Unstructured Data Meetup，让更多非机构化数据和 GenAI 开发者共聚一堂，共同探索行业最新进展。快扫描下方二维码报名参加，让我们一起开启非结构化数据的新篇章，探索 AI 的无限可能！8月23日，南京场Unstructured Data Meetup 将在。日13:00-17:30，
2025-08-13 18:12:06
320
原创 LLM、RAG、workflow、Agent，大模型落地该选哪个？一个决策矩阵讲透
当任务满足 “三可” 条件 —— 可拆解（子任务间耦合度越小越好）、可验证（每个子任务结果可独立校验）、成本可控（预期 ROI够高，可以打平token消耗成本）时，可尝试 multi - agent；以智能客服为例，可通过 Workflow 实现 “用户提问→意图识别→任务分配” 的标准化分流，再让 Agent 处理具体任务中的动态决策（如 根据用户历史订单推荐退款方案），依此降低人工干预频率，兼顾稳定可控与场景适应能力。若仅是处理单篇长文档（如万字报告分析）且对成本不敏感，可短期依赖长上下文大模型。
2025-08-13 18:12:06
1299
原创 最佳实践|Zilliz 如何助力MiniMax的AI落地与预训练数据管理
但通常来说，这数百亿文档中会存在大量重复冗余内容，不仅浪费计算资源，更导致大模型反复“咀嚼”相同的知识，在重复内容上过拟合，降低了对新信息的泛化能力。其中，MinHash 负责将文档压缩为签名（目前，MinHash 向量，需要用户自己生成），LSH 负责高效缩小搜索空间，从而快速定位潜在重复，帮助企业完成百亿级语料下的预处理优化。更关键的是，这些数据并不是静态的。为此，我们不仅需要更大的计算资源，也对非结构化数据的管理提出了更高的要求，对应的数据存储、处理、传输和检索系统升级已经迫在眉睫。
2025-08-06 18:53:25
926
原创 Milvus × 联想：向量数据库如何让制造业库存周转率提升10%
要补的话，补多少才合适？早期我们主要靠人工加正则表达式，从这些描述里提取关键词来判断机型，但部分物料的模糊匹配准确率并不理想，而随着物料越来越多、描述越来越乱，这套方法不仅效率低，出错率还不小，维护起来也特别头大。更重要的是，大家不仅能回忆当初，还能基于数据做出更扎实的总结和判断，帮助采购团队精准制定补货策略，避免缺货风险，同时控制好库存规模，提升资金效率。有了这个基础，不管是老物料还是新物料，只要录入信息，就能通过相似度检索快速找到最像的那类物料，然后一键分类搞定，效率和准确率都上了一个台阶。
2025-07-31 18:11:59
1245
原创 Milvus北辰使者的来信：Milvus Workshop是什么，我们为什么做这件事
Milvus Workshop 通过提供结构化、动手实践的学习体验，为用户在其 AI 和 ML 项目中充分利用 Milvus 提供了入门指南。它通过提供丰富的教程、示例代码和实践项目，降低 Milvus 的学习门槛，帮助开发者更高效地掌握和应用向量数据库技术。社区协作需求：开发者希望有一个开放的平台，可以分享 Milvus 的使用经验、案例和最佳实践。促进社区协作：鼓励开发者贡献自己的案例、工具和经验，打造一个活跃的 Milvus 学习社区。Milvus 的崛起与社区需求。Milvus北辰使者。
2025-07-25 18:25:43
1046
原创 直播预告丨运维部署有妙招！Milvus 稳定运行秘籍大公开
刘川丰将结合实战经验，详解 Milvus 运维部署的最佳实践，助力大家解决日常运维中的痛点问题，让 Milvus 运行更稳定高效。欢迎大家锁定 Zilliz 视频号直播间，和我们一起探索 Milvus 运维部署的门道，提升 Milvus 使用体验！客户催上线，老板一句“今天下班前搞定”，你却要手动改一堆 YAML、调资源、配高可用、还得盯着监控别挂了服务？更有自由讨论环节开放提问，现场提出在 Milvus 运维部署中遇到的困惑，与讲师深入交流。7 月 31 日 20:00-21:0。
2025-07-24 20:15:40
378
原创 ES vs Milvus vs PG vector :LLM时代的向量数据库选型指南
但只有开源是不够的，大型开源项目的迭代维护是需要很高的人力投入，单靠个人开发者几乎无法支撑，业界知名的数据服务相关的开源项目，比如Spark、MongoDB、Kafka，背后都是有成熟的商业化公司在运营。在此基础上，VDB的商业化方案，则应该保持云中立，在保证弹性、低运维投入的基础上，能满足不同业务、不同地区产品，以及不同阶段企业的多样化需求。Top-K相似性检索是最常见的向量检索需求，但除此之外过滤检索、阈值检索、分组检索和混合检索，也是一个企业级向量数据库的必备功能。互联网时代，关系型数据库为王。
2025-07-17 19:31:50
1187
原创 实战|从grok4与kimi2谈谈，大模型进入十万亿训练数据时代，如何做数据查重
但一个问题是，来自公域互联网的这些预训练数据中往往会存在大量重复冗余内容，如果将其一股脑不加选择的用于预训练，不仅浪费计算资源，更会导致大模型反复“咀嚼”相同的知识，在重复内容上过拟合，降低了对新信息的泛化能力。根据IDC的预测，到2027年，全球范围内，没有统一格式、缺乏明确定义字段的非结构化数据，总量将达到近250ZB，占比达到整体数据总量的86.8%。（2）能用上Minhash LSH的场景，通常是针对百亿、千亿甚至万亿数据的查重，这对服务背后的性能、工程化能力全都提出了极为苛刻的要求。
2025-07-15 20:17:04
1218
原创 直播预告丨解锁运维部署最佳实践，让你的 Milvus 更稳定！
刘川丰将结合实战经验，详解 Milvus 运维部署的最佳实践，助力大家解决日常运维中的痛点问题，让 Milvus 运行更稳定高效。欢迎大家锁定 Zilliz 视频号直播间，和我们一起探索 Milvus 运维部署的门道，提升 Milvus 使用体验！客户催上线，老板一句“今天下班前搞定”，你却要手动改一堆 YAML、调资源、配高可用、还得盯着监控别挂了服务？更有自由讨论环节开放提问，现场提出在 Milvus 运维部署中遇到的困惑，与讲师深入交流。7 月 31 日 20:00-21:0。
2025-07-14 19:05:14
520
原创 推出了四个MCP后，我们发现MCP的落地速度已经赶不上吹牛速度
目前已经支持使用英语、中文、西班牙语等语言与数据库交互，例如：“查找与该产品描述相似的文档” 或 “创建一个存储 512 维图像嵌入的集合”，“创建一个免费的 Milvus 集群”，用户无需打开控制台，也不需要配置细节，即可获得即用型数据库实例。更直白来说，MCP本身很好，但大模型在精准理解人类意图环节就出了问题，或者大模型本身在执行过程中有幻觉，那MCP自然也无法满足需求。开发成本降低，大模型的工具使用能力增加，过去一些繁琐专业的操作，可以借助大模型以自然语言交互的方式来完成。
2025-07-08 18:35:16
790
原创 超级黑马Read AI如何在美国把会议转录做成一门大生意
Assistant（会议助手）：自动加入 Zoom、Meet、Teams 等会议，实时收集发言、注意力、情感、发言频率等互动数据，自动记录每个发言人的“语气”和“情绪走势”（这是其核心功能，也是其争议来源）。Read AI 选择扩充其产品矩阵：日历同步、CRM同步、邮件汇总、即时通讯汇总、视频会议汇总功能依次上线，基于以上数据，Read AI又推出了会议总结、会议分析、多平台信息检索等功能，从前，用户要自己提问，才能得到回应。此外，用户要的不是原话，而是理解：他想知道，客户是不是在动摇；
2025-07-07 18:48:33
1065
原创 我们是向量数据库的领军企业，我们在等你来
回顾历史，过去四十年的PC时代，如何更好的管理基础数据，诞生了Oracle这样三万亿（RMB）市值的巨头；目之所及，所有你听过的全球知名企业：英伟达、苹果、OpenAI、PayPal、AWS、微软、Google、阿里云……2. 精通Pulsar/Kafka/RabbitMQ、Etcd/Zookeeper等主流中间件系统的应用、排障、调优，并具备一定的二次定制能力。很显然，面对人工智能这样一个更广阔的市场，非结构化数据这样一个更大的蓝海，我们关于未来的想象力，不止于此。
2025-07-03 18:46:00
1231
原创 深度分析 | 自动驾驶数据挖掘的三座大山与向量数据库胜负手
在自动驾驶算法持续迭代的背景下，Zilliz 允许对已有数据的 embedding 进行批量替换，配合 alias 机制可帮助业务在无感切换模型的同时保持数据查询的稳定性：Zilliz 支持同时写入由不同模型生成的向量，并可通过混合搜索（hybrid search）对多向量列进行检索，为模型对比和联合分析提供便利。同一时期，作为国内智驾投入最为激进的车企，小鹏正式宣布，面向智驾经验用户即刻推送无限XNGP智能辅助驾驶功能，并且，该功能将不限城市、不限路线，有导航的地方就能使用。
2025-07-03 18:46:00
1302
原创 G2发布最新向量数据库报告，Zilliz斩获最佳性能与最易用荣誉
举个简单的例子，很多向量数据库的报告，主要看的还是一些古早Benchmark测评数据，但这些Benchmark通常会做出一些不切实际的假设：比如，所有数据默认已经全部导入，索引已经完全建立。此外， Zilliz Cloud还提供了“易于使用的仪表盘和 API，用于数据库管理和监控”，以及简洁明了的文档体系，便于用户上手。从应用广度来看，向量数据库的场景仍在不断横向拓展，从RAG建设、知识库构建，搜索、推荐，再到生物制药、大模型数据管理、自动驾驶数据挖掘，每一个场景都有着完全不同的成本、性能、安全性考量。
2025-07-02 18:33:57
929
原创 从8万+数据源提炼洞察，ChatGPT+Zilliz +LangChain如何成创新药研发新范式
与此同时，创新药产业还长期被专利悬崖所制约：即一款创新药的专利有效期通常仅有20年，而除掉漫长的6-10年临床，企业对药品的实际独占权仅有12-14年。也就是说，在这中间，加速任何一个环节尤其是耗时最久的临床期的效率与变革，无论对药企的发展，还是对病人的生存质量，都至关重要。，以及企业的内部私有数据，在进行数据汇总时，会分析和交叉核对不同来源的数据进行二次验证，从而保证信息的准确性以及及时性。能够处理数十亿个向量、具备商业级的系统可靠性、能够同时处理结构化信息，以及PDF在内格式复杂的非结构化内容。
2025-07-01 20:08:44
1001
原创 开源|VDBBench 1.0正式官宣，完全复刻业务场景，支持用户自定义数据集
比如，SIFT 和 GloVe 这类数据集通常用于较小规模的低维向量，但如今的模型，尤其是大模型（例如 OpenAI 和 Cohere 的嵌入模型），其向量维度通常远超这些传统数据集，且规模上也大得多。通常来说，带过滤条件的搜索是一个常见的实际应用场景，比如，在电商或推荐系统中，用户往往会根据不同的标签或特征筛选数据（如“颜色==红色”）。通过这样的数据集，我们能够测试系统在大规模高维数据上的表现，包括存储、查询和检索的性能，确保测试结果能够真实反映现代大数据场景下的挑战。
2025-06-27 18:49:04
1009
原创 直播预告丨聊聊Milvus 2.6新功能及背后的开发故事
圆桌环节更有技术负责人、QA大佬和社区主理人分享 Milvus 2.6 开发背后的故事，并现场解答社区用户问题。7 月 1 日晚上 20:00-21:00，Zilliz 视频号直播间，Zilliz 合伙人。欢迎大家锁定 Zilliz 视频号直播间，与我们一起探索 Milvus 2.6 的技术魅力！和研发VP 栾小凡将带来《一步到位，详解 Milvus 2.6 新功能》的分享，点击下方预约，共享知识探索之旅！开发者生产力拉满的新功能。性能不打折的技术升级。
2025-06-26 18:23:56
427
原创 成本降50%、准确率提升40%，美国头部地产AI 公司用Agent弯道超车
针对关键交易，检索到的上下文会通过多个大型语言模型（如 Claude 或 OpenAI GPT）进行验证，以确保信息的准确性与多视角的理解，从而增强系统的稳健性和可信度。如此一来，你问：“XX交易的关联方以及各自适用的交易规则都有哪些”时， 大模型无法直接回答的问题，使用RAG技术，将相关的历史资料汇集，就能生成一个足够准确又智能的回复。与此同时，客户的要求也越来越多，比如交易完成，所有的embedding数据就要删除，来保护客户隐私——高频的数据增删，对索引的构建与维护能力，提出了巨大的要求。
2025-06-25 18:09:59
697
原创 干货|从FiDRAG到GraphRAG，RAG选型终极指南
随着RAG技术的不断演进，开发者可以根据需求选择合适的变体，应用于不同的领域和场景，解锁AI技术的新潜力。它能够快速定位关键信息，支持文本和图像的多模态检索，提升了检索的速度和精度。：与传统方法一次性检索所有数据的模式不同，新的RAG模型能够根据问题的具体需求，动态判断是否进行外部信息检索，显著提升了效率并减少了不必要的数据浪费。通过Zilliz Cloud的托管Milvus服务，开发者可以轻松地部署这些先进的RAG变体，推动AI技术的发展，助力各行业创造更加智能和高效的系统。
2025-06-24 18:30:08
930
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