向量数据库

深入浅出 Milvus 向量数据库：从核心原理到 Python 实战指南(图片：象征着连接与多维空间的数据网络)在生成式 AI（Generative AI）和大语言模型（LLM）爆发的今天，**“向量数据库”**成为了技术圈的高频词汇。无论是构建企业级的知识库问答系统（RAG），还是实现以图搜图、个性化推荐，向量数据库都是不可或缺的基础设施。

RAG系统的“记忆幽灵”，记忆更新怎么办我发现了一个问题，好像哪怕你用rag记忆增强系统、向量数据库+分层索引文档检索，好像你也无法解决一个问题，就是记忆更新问题，一件事以前做的时候的记忆，存到了数据库和文档的时候，他就是死的，现在如果这件事状态已经更新了，或者遇到了新的需求和问题，我们能不能全面的索引并更新以前的记忆呢，恐怕是不容易的，总有漏网之鱼，如果未来有一天不小心调出来漏网之鱼的记忆，不就导致一些错乱记忆混乱逻辑导致出问题吗在使用ai agent coding助手的时候，我看到漫天的文档和经常性混乱的前后逻辑，和没更新的文档信息内容，

最初的↘那颗心

Spring AI 生产避坑指南与 RAG 内存向量库实战本文覆盖 Spring AI 应用落地过程中最常踩的五个生产级陷阱——Token 成本失控、API Key 泄露、并发限流、输出不稳定、日志监控缺失，并给出对应的解决方案与代码实现。随后从零讲解 RAG（检索增强生成）的核心原理，并基于 Spring AI 的 SimpleVectorStore 完成一个内存向量库的完整实战。面向有 Spring Boot 基础、正在用 Spring AI 做大模型应用开发的后端工程师。

多 Session 伪装大脑：如何在保持隐私隔离的前提下实现多渠道 AI Agent 的认知一致性原文发布地：CSDN 博客技术栈：OpenClaw、LanceDB、Ollama、向量数据库适用场景：多渠道 AI Agent、群聊机器人、跨平台对话系统难度等级：中高级

ChromaDB知识速览python import chromadb client = chromadb.Client() collection = client.create_collection(“my_collection”) collection.add(documents=[“Hello world”], ids=[“id1”]) results = collection.query(query_texts=[“Hi”], n_results=1)

LangChain&Redis记忆基本功能实现：通过Runnable整合

java1234_小锋

嵌入模型与Chroma向量数据库 - Chroma安装与简单应用实例 - AI大模型应用开发必备知识大家好，我是小锋老师，最近更新《2027版 1天学会嵌入模型与Chroma向量数据库 AI大模型应用开发必备知识视频教程》专辑，感谢大家支持。

java1234_小锋

嵌入模型与Chroma向量数据库 - Qwen3嵌入模型使用 - AI大模型应用开发必备知识大家好，我是小锋老师，最近更新《2027版 1天学会嵌入模型与Chroma向量数据库 AI大模型应用开发必备知识视频教程》专辑，感谢大家支持。

Milvus系列之02、Spring+Milvus实现RAG检索增强博主介绍：✌目前全网粉丝4W+，csdn博客专家、Java领域优质创作者，博客之星、阿里云平台优质作者、专注于Java后端技术领域。

dify系列之01、快速本地一键搭建dify博主介绍：✌目前全网粉丝4W+，csdn博客专家、Java领域优质创作者，博客之星、阿里云平台优质作者、专注于Java后端技术领域。

java1234_小锋

嵌入模型与Chroma向量数据库 - 嵌入模型与向量数据库简介 - AI大模型应用开发必备知识大家好，我是小锋老师，最近更新《2027版 1天学会嵌入模型与Chroma向量数据库 AI大模型应用开发必备知识视频教程》专辑，感谢大家支持。

SpringBoot + LangChain4j 打造企业级 RAG 智能知识库，多工具集成方案基于 Spring Boot 4 + LangChain4j 1.11 + Ollama + Qdrant +MCP 的一体化多Agentic 智能体，RAG 系统

长路的AI领域技术博客汇总文档博主介绍：✌目前全网粉丝4W+，csdn博客专家、Java领域优质创作者，博客之星、阿里云平台优质作者、专注于Java后端技术领域。

milvus向量数据库介绍与部署（docker-compose）Milvus 是一个开源的向量数据库，专为存储和检索高维向量数据而设计。它并非传统的关系型数据库，而是专注于解决‌相似性搜索‌问题，即在海量数据中快速找到与查询向量最相似的项。这使其成为处理图像、视频、音频、文本等非结构化数据的理想选择。‌

Milvus介绍及多模态检索实践：从部署到实战全解析在AI技术高速迭代的今天，多模态数据（文本、图像、音频、视频）爆发式增长，如何高效存储、检索这些非结构化数据，成为解锁AI应用落地的关键。向量数据库作为非结构化数据检索的核心载体，其中Milvus凭借生产级的稳定性、高扩展性，成为大规模向量检索场景的首选工具。

AI时代之向量数据库概览向量数据库作为AI时代的新型基础设施，正迅速成为处理非结构化数据的核心工具。随着大模型技术的普及，企业越来越依赖向量数据库实现语义检索、知识库增强(RAG)、智能推荐等应用。本文将全面解析主流向量数据库产品，包括其开发商背景、适用场景、优缺点分析及收费模式，帮助企业或开发者根据自身需求选择最合适的向量数据库解决方案。

数据库全解析：从关系型到向量数据库，LLM 开发中的选型指南大语言模型 (LLM) 开发工程师 | 中国传媒大学 · 数字媒体技术（智能交互与游戏设计）CSDN · 个人主页 | GitHub · Follow

无名修道院

AI大模型应用开发-RAG 基础：向量数据库（FAISS/Milvus）、文本拆分、相似性搜索（“让模型查资料再回答”）RAG = Retrieval-Augmented Generation检索增强生成，核心逻辑是「让大模型先查 “专属资料”，再基于资料回答问题」。

Unity中使用LLMUnity遇到的问题（五）——主要脚本的继承关系+用DuckDB对知识库升级的思考本文部分内容为GPT问答生成，肯定有错漏的地方，人老体衰，还请轻拍指正~~在构建 RAG（检索增强生成）系统或 AI NPC 时，选择合适的检索组件至关重要。下表对比了 LLMUnity 的原生组件与目前流行的 DuckDB 方案。

LangChain v1.0+ Retrieval模块完全指南：从文档加载到RAG实战【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）