向量数据库

还在使用Milvus向量库？2025-AI智能体选型架构防坑指南说明：选 Milvus 如果： ✅ 预算充足 ✅ 全栈式团队（包括运维、网管）选 Qdrant 如果： ✅ 只有虚拟机费用（2c cpu, 1g内存可支持千万条数据） ✅ 运维能力弱，需快速上手 ✅ 成本敏感，追求轻量级API

GEM的左耳返

Java AI面试实战：Spring AI与RAG技术落地面试官：谢飞机同学，今天我们聚焦Java AI应用开发，重点考察Spring AI和RAG技术栈。谢飞机：（兴奋地）面试官好！我可是AI达人！ChatGPT、Midjourney我天天用，Spring AI这新框架我也研究过！

AI Agent开发学习系列 - langchain之LCEL(5)：如何创建一个Agent？结果：这段代码展示了使用 LangChain 创建和配置 Agent 的完整流程。首先通过 ChatOpenAI 初始化腾讯混元大模型，然后从 LangChain Hub 拉取预定义的 Agent 提示模板，接着使用 load_tools() 加载数学计算工具并传入 LLM 实例，随后调用 create_openai_functions_agent() 将 LLM、工具和提示模板组合成 Agent，最后创建 AgentExecutor 作为执行器并调用 invoke() 方法执行 Agent。技术要点

之之为知知

Chromadb 1.0.15 索引全解析：从原理到实战的向量检索优化指南在大模型应用如火如荼的当下，向量数据库已成为连接文本、图像与 AI 模型的核心枢纽。Chromadb 作为轻量级向量数据库的佼佼者，在 1.0.15 版本中对索引机制进行了 API 优化，让索引配置更简洁直观。本文将基于 1.0.15 版本，详解 HNSW、Flat、IVF 三种核心索引的原理与实战用法，帮你避开版本兼容陷阱，构建高效向量检索系统。

不学无术の码农

玩转 Milvus（二）：在 Ubuntu 22.04（WSL2）上安装 Milvus在《玩转 Milvus（一）》中，我们揭开了向量数据库的神秘面纱，认识了 Milvus 作为 AI 时代的“超级引擎”，如何驱动智能搜索、推荐系统和多模态应用。现在，是时候让 Milvus 在你的电脑上“落地生根”了！本篇博客将带你在 Ubuntu 22.04（WSL2）环境下安装 Milvus，聚焦两种单机模式：Milvus Lite 和 Milvus Standalone。无论你是初学者想快速上手，还是进阶开发者准备小规模生产，这篇教程都能帮你轻松搞定。

用什么都重名

Attu-Milvus向量数据库可视化工具本文介绍了如何安装可视化工具Attu，包括使用Docker镜像启动并访问Attu服务。目录前言一、Attu安装

【2025最新】使用neo4j实现GraphRAG所需的向量检索在将UMLS或者LightRAG构造的数据库存入neo4j之后，我开始将知识图谱运用到实际场景的使用中、例如查询、推理。然而，由于字符串匹配导致大量术语在检索时出现缺失。导致检索效果不佳。我们需要使用embedding模型，将对应的实体或者关系转为vector，存入向量数据库。利用向量数据库已有的高效存储技术和查询方法。帮助我们快速查询到相关实体或者关系。通过确定相似度的阈值，来保留最终查询结果。

深度解析影响 RAG 召回率的四大支柱——模型、数据、索引与检索面对大型语言模型（LLM）知识陈旧、容易幻觉的固有挑战，检索增强生成（RAG）技术已然成为构建可信、精准、知识渊博AI应用的行业基石。RAG的核心魅力在于它用强大的语义检索能力，为LLM实时注入了新鲜、准确的外部知识，它能真正理解用户的查询意图，从海量文档中找到与之“意思相近”而非仅仅“字面相同”的内容。

迢迢星万里灬

Java求职者面试：Spring AI、MCP、RAG、向量数据库与Embedding模型技术解析1. 请解释Spring AI是什么？它与传统Spring框架有何不同？Spring AI是Spring生态系统的一部分，专注于人工智能和机器学习相关的开发。与传统Spring框架相比，Spring AI提供了更丰富的工具和库来支持AI应用的构建，例如集成TensorFlow和PyTorch等深度学习框架。

浩哥的技术博客

向量数据库ChromaDB的使用ChromaDB 是一个开源的嵌入式向量数据库，专用于AI设计，好处这里就不多写了，这里做一个学习的记录。当前环境是Window，Python版本3.10

向量数据库Milvus在windows环境下的安装已安装docker desktop参考资料：Run Milvus in Docker (Linux) | Milvus Documentation

橙子小哥的代码世界

【大模型RAG】Docker 一键部署 Milvus 完整攻略本文概要Milvus 2.5 Stand-alone 版可通过 Docker 在几分钟内完成安装；只需暴露 19530（gRPC）与 9091（HTTP/WebUI）两个端口，即可让本地电脑通过 PyMilvus 或浏览器访问远程 Linux 服务器上的 Milvus。下面从环境准备、Docker 安装、容器启动、数据持久化、防火墙与安全组配置到客户端连接与常见故障排查，一步到位地给出完整操作指引，并汇总常见陷阱及修复方案。

在未来等你

互联网大厂Java求职面试：AI大模型与云原生技术的深度融合面试官：郑先生，假设我们要设计一个企业知识库与AI大模型深度融合的架构，如何处理知识库检索与大模型推理之间的性能瓶颈？

Milvus单机模式安装和试用1.安装ollama的package包；2.我们直接使用ChatOllama实例化模型，并通过invoke进行调用；

Chroma 向量数据库使用示例利用向量数据库进行高效的相似性搜索。具体步骤如下：加载文本嵌入模型：文本向量化：数据插入：相似性查询：

水中加点糖

各种数据库，行式、列式、文档型、KV、时序、向量、图究竟怎么选？慕然回首，发现这些年来涌现出了许多类型的数据库，今天抽空简单回顾一下，以便于后面用到时能快速选择。关系型数据库（RDBMS），我们常说的数据库就是指的关系型数据库。它的全称是关系型数据库管理系统（Relational Database Management System）。在关系型数据库中，数据以类似二维表格的方式以行式存储，表与表之间使用外键进行关联。

在未来等你

互联网大厂Java求职面试：AI大模型融合下的企业知识库架构设计与性能优化场景设定：某互联网大厂会议室，阳光透过落地窗洒在长桌上。技术总监李严肃端坐正中，手中拿着简历，眉头微皱。对面坐着穿着格子衫的程序员郑薪苦，手里握着一杯冰美式，脸上挂着标志性的憨笑。

在未来等你

互联网大厂Java求职面试：AI大模型推理服务性能优化与向量数据库分布式检索技术总监：（翻看着简历）郑薪苦，你在上一家公司参与过LLM推理服务的性能优化项目？说说你们是怎么做的。

.NET AI 生态关键拼图：全面解读 AI Extensions 和 Vector Extensions 如何重塑.NET开发生态关注.NET AI和.NET Vector原生开发已有半年之久了，其核心组件在历经这半年预发布期的持续迭代后，终于于5月16日和5月20日逐步发布了。。在此之前，基于预发布版本撰写的文章和调试工作常常受限于功能的缺失，许多特性无法正常调用，只能通过下载源代码进行调试。

在未来等你

互联网大厂Java求职面试：AI大模型推理优化与实时数据处理架构在当今的互联网行业中，Java作为核心语言之一，在云原生、AI集成和大数据处理等领域发挥着重要作用。本文将通过一场技术总监级别面试，展现Java开发人员在面对复杂技术挑战时的思考过程和解决方案。