向量数据库

大模型应用：向量数据库的技术内核解析：破局大模型的失忆困境.28当大模型能够流畅地撰写文案、解答数学难题、生成代码时，知识固化与幻觉问题始终是一个致命短板制约着大模型的能力发挥。训练完成的大模型如同一个记忆定格的智者，既无法实时吸收新信息，又可能基于碎片化知识生成似是而非的答案。

AI大模型-基本介绍（一）RAG、向量、向量数据库RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索系统和大语言模型（LLM）的技术架构，目的是为了解决传统生成模型在知识准确性、时效性、可控性等方面的局限

大模型应用：RAG与向量数据库结合Ollama调用模型深度融合全解析.27通过多篇博文我们也反复介绍说明了大模型知识滞后、生成幻觉成为制约智能问答、企业知识库等场景落地的核心痛点，检索增强生成（RAG）技术通过“外部知识检索 + LLM 生成” 的模式，为解决这些问题提供了关键思路，而向量数据库则是 RAG 发挥价值的核心底座。今天我们从一个新的视角，以本地员工手册智能问答系统为内容载体，从基础概念到实践，系统拆解 RAG 与向量数据库的深度融合逻辑，同时引入 Ollama 这一轻量级本地大模型运行工具，增加实用性和便捷性。

Milvus向量数据库：AI时代的向量搜索利器Milvus 是一款开源的向量数据库（2019年提出），其唯一目标是存储、索引和管理由深度神经网络和其他机器学习（ML）模型生成的大规模嵌入向量。

HyperAI超神经

活动回顾丨北大/清华/Zilliz/MoonBit共话开源，覆盖视频生成/视觉理解/向量数据库/AI原生编程语言当下，AI 产业正迎来一个前所未有的发展周期。大模型的规模化应用、AI 原生软件体系的重构、多模态基础模型的加速演进，让学界与产业界的边界变得愈发模糊。无论是视频生成对音画同步的精细化要求、终端侧视觉模型的高效推理优化，还是新一代 AI 原生编程语言的出现，都在推动一个清晰的趋势——产研协同与开源生态，正在成为 AI 时代最关键的创新范式。

向量数据库存储的是什么？向量本身还是原始数据ID向量数据库中存放的是向量本身（即数据向量化后的高维数值表示），同时会关联存储原始数据的ID和元数据。具体来说，向量数据库包含以下内容：

AI核心知识26——大语言模型之Embedding与Vector Database （简洁且通俗易懂版）如果说 RAG（检索增强生成）是大模型的“外挂图书馆”，那么 Embedding（嵌入）和 Vector Database（向量数据库）就是让这个图书馆能瞬间找到书的“图书管理员”和“索引系统”。

本地Windows安装Postgres数据库+pgvector插件支持向量搜索访问PostgreSQL官方网站（https://www.postgresql.org/download/），选择适合操作系统的版本（Windows、macOS或Linux）。下载最新稳定版的安装程序。

腾讯云数据库

「腾讯云NoSQL」技术之向量数据库篇:腾讯云向量数据库如何实现召回不变，成本减半?HNSW (Hierarchical Navigable Small World) 作为向量检索的索引类型之一，因其高召回率和相对优秀的查询性能而广受青睐。然而，HNSW在实际应用中仍面临一些挑战，为满足客户对极致性能和成本效益的需求，腾讯云NoSQL的VDB团队深入研究了业界前沿的半精度技术，创新性地结合了通过SIMD指令的方式，来完成向量压缩和相似度距离的批量计算，从而在保证召回率的前提下，优化整体性能和资源利用率。

使用n8n搭建服务器监控系统：从Webhook到Telegram告警的完整实现🎏：你只管努力，剩下的交给时间🏠 ：小破站本文介绍如何使用n8n工作流自动化工具搭建一个完整的服务器监控系统，实现从数据采集、告警判断到Telegram消息推送的全流程自动化，整个方案无需编写复杂代码，配置完成后可实现7x24小时实时监控。

陈果然DeepVersion

Java大厂面试真题：Spring Boot+Kafka+AI智能客服场景全流程解析（十）面试官（推了推眼镜，面无表情）：请坐。我看到你简历写了熟悉 Spring Boot 和微服务，那我们从基础开始。

Milvus：Json字段详解（十）结构特点：支持多层嵌套（示例中最多三级）、数组与对象混用、多数据类型共存，且字段可灵活扩展。特征JSON 字段

陈果然DeepVersion

Java大厂面试真题：Spring Boot+Kafka+AI智能客服场景全流程解析（十二）面试官（推了推眼镜，面无表情）：请坐。战五渣（紧张地搓手）：您好您好！我是来面试Java开发的，我叫战五渣……不是，我叫张伟！

Milvus：数据库层操作详解（二）本篇文章聚焦于 Milvus 向量数据库，旨在帮助各位全面掌握其数据库操作，从而提升在数据管理方面的能力。在接下来，我们将深入探讨 Milvus 数据库的基础概念，通过实际操作演示让大家直观感受其强大功能，并针对使用过程中可能遇到的常见问题进行详细解答。希望通过本篇文章，大家能够熟练运用 Milvus 进行数据管理，为后续工作和学习提供有力支持。

Milvus：集合（Collections）操作详解（三）Schema 需包含主键字段和向量字段（必选），可添加标量字段（如 VARCHAR）和动态字段（可选）。

Milvus：Schema详解（四）首先需要创建一个空的 Schema 对象，后续再向其中添加字段。此时插入数据时，必须指定 article_id 的值（如 1001、1002）。

Milvus：向量字段-二进制向量、稀疏向量与密集向量（六）典型示例：典型示例：典型示例：二进制向量是将高维浮点向量转换为只包含0和1的二进制表示：优势说明影响存储效率

陈果然DeepVersion

Java大厂面试真题：Spring Boot+Kafka+AI智能客服场景全流程解析（五）面试官（推了推眼镜，面无表情）：请坐。我们开始吧。战五渣（紧张地搓手）：好、好的！我准备好了！面试官：你们项目用什么构建工具？为什么选它？

陈果然DeepVersion

Java大厂面试真题：Spring Boot+Kafka+AI智能客服场景全流程解析（六）面试官（推了推眼镜，面无表情）：欢迎来到我们公司Java岗位的终面。我是技术主管张工。战五渣（紧张地搓手）：您好您好！我叫战五渣，三年搬砖经验，精通HelloWorld和Ctrl+C/V……啊不是，是熟悉主流框架！

陈果然DeepVersion

Java大厂面试真题：Spring Boot+Kafka+AI智能客服场景全流程解析（二）面试官（推了推眼镜，面无表情）：请坐。我们今天围绕一个实际业务场景来提问——公司正在构建基于Spring Boot的AI智能客服系统，涉及AIGC、语义检索与高并发消息处理。准备好了吗？