milvus

程序员老邢

【产品底稿 08】商助慧 AI 仿写实战复盘：RAG 知识库 + 大模型联动，一键生成技术底稿从文档上传、向量入库，到 AI 流式仿写全链路闭环。商助慧在 AI 内容创作板块，完成了从“能用”到“好用”的关键升级。

青龙小码农

milvus+elasticsearch+ollama实现企业级RAG搭建[安装参考](https://blog.csdn.net/wenwang3000/article/details/145705858) 这里需要2种类型的

8.【向量数据库深度对比】Milvus vs FAISS vs Pinecone（真实项目选型指南）刚做RAG时，我卡了2天：👉 “到底选哪个向量库？”👉 小规模（<10万数据）👉 中规模👉 商业产品

milvus面试题A：A：A：A：A：A：A：A：A：A：A：A：表格A：A：A：A：A：A：A：

# 约94万条热线问题怎么去重？动态相似度阈值+Milvus，不用LLM一毛钱政务热线每天的来电都会转成文字记录。积累了几年下来，问题库动辄几十万条。拿来做RAG知识库之前，必须先去重——不然"养老保险怎么交"和"养老金怎么缴纳"是同一条知识，存两份就浪费，检索时还可能把两个相似但略有不同的答案都捞出来，LLM拿到矛盾的上下文就开始胡编。

程序员老邢

【技术底稿 23】Ollama + Docker + Ubuntu 部署踩坑实录：网络通了，参数还在调下午5点到晚上10点半，5个半小时。代码一行没改，全是环境、配置、默认参数的坑。网络隔离、防火墙、Ollama默认监听127.0.0.1、Linux vs Windows差异——每一个都踩了一遍。目前网络已通，向量模型的上下文问题还在调。

格鸰爱童话

python使用milvus向量库milvus向量库使用的时候，需要先本地安装，使用windows安装milvus需要使用docker使用管理员身份打开powershell，执行

Spring AI系列之集成 Milvus 构建 RAG 智能问答系统技术栈一览大语言模型（LLM）虽然强大，但存在两个致命短板：RAG（检索增强生成）技术正是解决这些问题的最佳方案。

程序员老邢

【产品底稿 06】商助慧V1.2实战复盘：Milvus向量库重构+RAG仿写升级+前端SSE排版彻底修复本篇为商助慧・RAG 个人专属 AI 写作助手 V1.2 版本迭代落地实践记录，承接【产品底稿 05】 V1.1 版本内容。

Milvus从连接到查询操作手册简单来说，Milvus 只是一个存储和检索容器，它不负责生成向量。向量是由你的 AI 模型（如 BERT, ResNet, GPT, Qwen-Embedding 等）生成的。因此，Milvus 的维度设置必须与模型输出的向量长度严格一致。

基于 LangChain、RAG、LoRA 、Streamlit 的知识库问答客服系统从零到一（附项目源码）项目名称: KB-CustomerService 基座模型: Qwen2.5-3B-Instruct 核心架构: LangChain + RAG + LoRA 微调部署环境: 云服务器 + 4090 GPU

不爱吃米饭_

Milvus 和 PGVector，哪个更好？在做RAG（检索增强生成）应用或推荐系统时，很多小伙伴都会遇到同一个灵魂拷问：向量数据库到底该怎么选？

Milvus 向量数据库使用指南gRPC 端口: localhost:19530健康检查: http://localhost:9091/healthz

milvus-2.3.12安装部署https://milvus.io/docs/v2.3.x使用 Docker Compose 安装 Milvus standalone（即单机版），进行一个快速 milvus 的体验。

milvus的客户端pymilvus安装参考文档https://milvus.io/api-reference/pymilvus/v2.3.x/About.md

程序员老邢

【技术底稿 17】DevOps 监控告警实战踩坑复盘 —— 企微机器人告警 + Milvus 向量库监控全流程验证本次实战围绕 DevOps 基础设施监控体系完善展开，基于现有 Docker 单机 Linux 环境、Prometheus+Alertmanager 原生监控架构，开展两项核心工作：

向量数据库之MilvusMilvus = 专门做“向量检索”的数据库本质上解决的问题是：在“高维向量空间”中做近似最近邻搜索（ANN, Approximate Nearest Neighbor）

程序员老邢

【产品底稿 05】商助慧 V1.1 里程碑：RAG 文章仿写模块全链路实现（承接【产品底稿 04】，从 “能入库” 到 “会用库” 的关键一步）在【产品底稿 04】中，我们完成了 CSDN 爬虫入库、MySQL 结构化存储、Milvus 向量库全链路打通，解决了文章 “从哪来、怎么存” 的问题。

从零到一构建企业级 RAG 问答系统：一个完整的模块化实践指南在人工智能技术飞速发展的今天，大语言模型（LLM）展现出了惊人的能力。然而，如何让 LLM 真正落地到垂直领域，解决实际问题，仍然是一个值得深入探讨的课题。RAG（Retrieval-Augmented Generation，检索增强生成）作为目前最成熟的解决方案之一，通过将外部知识库与 LLM 结合，有效解决了模型知识更新滞后、幻觉等问题。

RAG 项目完整学习笔记与总结这是一个生产级的多层 RAG 问答系统，核心特点：多级检索降级：Redis 缓存 → BM25 关键词检索 → Milvus 向量检索，层层递进