向量数据库

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？

一车小面包

Milvus简介Milvus 是另一个专为大规模向量相似度搜索设计的开源向量数据库，和 Chroma、FAISS 属于同一类技术栈，但定位更偏向企业级、生产级、超大规模场景。

向量数据库与RAG在 Agent 开发中，“向量”通常指的是向量表示或嵌入（embedding），它是一种将非结构化数据（如文本、图像、音频等）转换为高维数值向量的技术。这些向量能够被计算机高效处理，并用于衡量语义相似性、检索、分类、推荐等任务。

AI 超级智能体全栈项目阶段四：学术分析 AI 项目 RAG 落地指南：基于 Spring AI 的本地与阿里云知识库实践简介：github项目地址：学术分析AI应用本文使用的AI大模型均为阿里云的灵积模型（Qwen-Plus）

LangChain4J-基础(整合Spring、RAG、MCP、向量数据库、提示词、流式输出)LangChain4J(LangChain For Java)是专门为了简化Java应用在接入LMM的过程，它提供了统一的API如LLM模型的调用，向量数据库等方法，可以让Java应用程序快速接入大模型

未来之窗软件服务

自建知识库，向量数据库体系建设（二）之BERT 与.NET 8BERT 模型作为自然语言处理领域的革命性突破，其强大的上下文理解能力已被广泛应用于文本分类、情感分析、命名实体识别等场景。对于仍在使用.NET 4.8 框架的开发团队而言，借助ML.NET和 ONNX Runtime 工具，无需迁移至.NET Core 即可实现 BERT 模型的集成。本文将基于实际代码示例，详细介绍在.NET 4.8 环境中使用 BERT 的完整流程。

一包烟电脑面前做一天

RAG实现：.Net + Ollama + Qdrant 实现文本向量化，实现简单RAG本文使用.Net + Ollama + 向量数据库Qdrant，实现简单RAG，代码仅实现基本演示功能。

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。