向量数据库

数据库小学妹

AI Agent记忆怎么存？Redis+向量库三层记忆架构实战大家好，我是数据库小学妹👋 我踩过的坑，你别再踩。上个月帮一个客服产品团队调Agent，碰到一个挺典型的例子。用户头天晚上留过一句话："我是会员，短信通知关了，只留邮件。"结果第二天Agent一上来，张口就问："请问需要短信通知吗？"用户当场就炸了，工单里骂了整整五分钟。

2-向量数据库：主流近似最近邻算法（ANN）原理在向量数据库中，如果要遍历整个数据库进行精确对比（KNN，K-Nearest Neighbors），计算量太大且在海量数据下极度耗时。因此，向量数据库通常采用近似最近邻算法（ANN, Approximate Nearest Neighbor），通过牺牲微小的精确度前提，跨越式提升查询速度并降低内存开销。

生产环境向量检索数据库选型：Elasticsearch、Qdrant、Milvus 与 Chroma这篇笔记抛开具体 RAG 框架，回答以下问题：本文主要讨论自建或托管形态下的检索引擎选择，不把某个产品的官方规模区间、单次 Benchmark 或默认参数当成普遍结论。

【AI应用开发】什么是混合检索（Hybrid Search）？向量检索 + BM25 关键词检索，适用场景与 RRF 融合原理混合检索（Hybrid Search）= 向量检索（语义匹配）+ BM25 关键词检索（精确匹配），通过 RRF 等融合算法合并两路结果，取两者之长补各自之短。

向量数据库选型与性能压测：Milvus、Pinecone、Chroma在真实业务下的对比搭建RAG系统的时候，向量数据库的选型往往是一个被草率决定、但后期付出代价最大的环节。很多人随便选一个能用就行，结果到了生产环境才发现问题——要么是成本失控，要么是性能瓶颈，要么是运维负担超出团队承受能力。

向量数据库赋能研报智能分析、舆情检索、风险洞察金融投研场景下，券商研报、公开舆情、公告资讯属于典型海量非结构化文本。传统关键词检索依赖字面匹配，难以捕捉语义关联，分析师需要耗费大量时间筛选材料、交叉比对风险信号，信息获取效率存在明显瓶颈。向量数据库依托嵌入向量与语义检索能力，结合 RAG 检索增强生成技术，可以打通研报解析、舆情汇聚、风险识别全链路，把分散的文档、新闻、公告转化为可检索、可聚类、可推理的知识底座，实现研报智能分析、全域舆情检索、前置化风险洞察，为投研决策提供技术支撑。

数据库小学妹

向量数据库选型：独立vs融合对比与场景推荐（附SQL实战）大家好，我是数据库小学妹 👋向量数据库选型，就是给你的AI应用找一个能高效存储和检索高维向量数据的系统。传统数据库查精确匹配（WHERE name = '张三'），向量数据库查语义相似——输入"怎么请假"，它找出意思最接近的文档片段。把文本、图片转成数字向量，计算向量间距离，距离越近语义越相似。

知识库向量数据库怎么选？我折腾了一圈，答案就三个字事情是这样的。上一篇文章聊完三层检索策略之后，我盯着终端里的 docker ps 出神——里面躺着一个 Qdrant 容器，跑了快一个月，CPU 占用稳如老狗，但我一次查询都没往它那边发。

【AI应用开发】 RAG篇（一）：概述与核心架构现在大模型落地业务，90% 的企业场景都会优先上 RAG（检索增强生成）。不管是知识库问答、智能客服还是私有文档助手，RAG 都是绕不开的核心方案。

段一凡-华北理工大学

向量数据库实战：选型、调优与落地~系列文章15：多模态向量搜索：图片、音频、视频统一检索的工程实现🔥 本文是《向量数据库实战：选型、调优与落地》专栏第 15 篇⏱️ 阅读时间：约 13 分钟2025 年，AI 应用早已不局限于文本——

weixin_42800530

C#调用 AI学习从0开始-第3阶段RAG向量数据库-文档切分与入库第15天一、文档切分和入库学习目标：将长文档切分成小块，生成向量并存入Qdrant，为RAG问答做准备。1.为什么需要切分文档？ 1.1问题场景

Weaviate 托管数据库现已在 DigitalOcean 上开放公测向量数据库已经成为 AI 应用技术栈中的核心组件。无论你是在构建检索增强生成（RAG）、语义搜索、智能体工作流与记忆系统，还是基于相似度的推荐，你都需要一个可靠、快速、且不需要专门配一个运维工程师来维护的向量存储方案。Weaviate 已经成为这套技术栈中的关键一环——这个开源的 AI 原生向量数据库，为数千家公司的语义搜索、RAG 和智能体工作流提供底层支撑。

阿拉斯攀登

Prompt 工程与答案生成优化检索到了相关内容，不代表大模型就能答好。怎么让模型基于资料回答、不编造、引用来源、格式规范？这篇讲 RAG 的 Prompt 设计、减少幻觉的技巧、答案格式控制、以及常见问题的应对方法。

阿拉斯攀登

安全与可控性：输出校验、权限控制Agent 能调用工具、操作外部系统，就有安全风险。这篇讲 Agent 的安全风险、输出校验、工具权限控制、人在回路机制，以及护栏（Guardrails）设计。

阿拉斯攀登

企业级RAG架构：权限控制、安全防护与多租户Demo 和生产的差距有多大？这么说吧——Demo 是一个 Python 脚本，生产是一整套系统。前面的文章我们把 RAG 的核心链路都跑通了，但真要上线给公司几十上百号人用，还有四个关键问题要解决：权限控制、安全防护、多租户隔离、生产化部署。今天逐一拆解。

通往RAG之路（五）：主流向量数据库全景解析与选型指南随着生成式 AI 和大语言模型的爆发式发展，向量数据库已经从一个小众的技术组件，演变为构建 RAG（检索增强生成）、语义搜索、推荐系统、多模态检索等 AI 应用的核心基础设施。本文将全面解析当前主流的 8 款向量数据库，从开发背景、核心特性、架构设计、性能表现、优缺点到适用场景，为你提供一份详尽的技术选型指南。

向量数据库选型指南：Milvus vs Chroma vs WeaviateRAG 架构让向量数据库成为 AI 基础设施核心。与传统数据库不同，向量数据库专为高维向量相似性搜索设计。

使用docker 部署向量数据库Milvus之后使用下面的命令使地址生效如果还不生效则重启docker验证镜像地址是否生效这样就生效了：这里用的是milvus:v2.5.3版本，复制下方的脚本到官方的standalone_embed.sh脚本中

Reranker 模型实战：让 RAG 检索精度再提升 20%如果你做过 RAG（Retrieval-Augmented Generation）项目，一定遇到过这个痛点：**向量检索召回了 20 条文档，但真正相关的只有前 3 条，后面全是噪音。**这些噪音不仅浪费 Token，还会干扰 LLM 的推理，导致生成结果质量下降。