向量数据库

一枕槐安487

RAG 增量更新向量库实战：新增文档自动去重索引摘要知识库新增文档时，如果每次都全量重建向量索引，成本和耗时都扛不住；但只追加新向量、不处理旧内容，又会造成重复召回和索引膨胀。本文从一个应届生可以本地复现的示例项目出发，给出基于文件哈希与块级哈希的增量索引流水线：新增文档自动分块、去重、向量化，未变化的内容跳过，旧版本逻辑失效。读完你可以拿到一套可运行的简化代码、一张全量重建与增量更新的对比表，以及面试中关于 RAG 增量索引的高频问法与回答思路。

一枕槐安487

多租户 RAG 系统设计实战：如何隔离不同业务知识库数据？摘要做多租户 RAG 系统时，最大的红线是数据不能串。如果把 A 客户的业务文档检索出来喂给了 B 客户的大模型，就是严重的生产事故。本文从应届生做 SaaS 项目或企业级知识库的视角出发，拆解多租户 RAG 的三种隔离方案（物理隔离、逻辑隔离、混合隔离），重点给出基于元数据过滤（Metadata Filtering）的代码示例与防越权设计。读完你能理清不同业务规模下的架构选型思路，并掌握面试中关于 SaaS 架构和 RAG 权限隔离的高频考点。

RAG 检索面试十连问：召回率从 92% 掉到 61%，答案句被拦腰截断怎么排查你好，我是利威尔xu。这是「面试八股」系列的第二篇。上一篇我们拆了 Go GMP 调度器的 10 个高频追问；这一篇换赛道，聊 RAG 检索——站内热搜 TOP3 挂了一周的 RAG 词不是没道理的，这个方向现在面试出镜率极高，但绝大多数候选人的答案停在"向量数据库 + top-k"这一层，再往下问两句就露底。

Rerank 与混合检索：怎么让 RAG 从「能用」变成「好用」上两篇我把 RAG 的概念和最小闭环讲完了——第 21 篇说清「先查后答」，第 22 篇手搓了一个纯 Python 的 MiniRAG。那个 MiniRAG 确实能跑，但**「能跑」和「好用」之间还差着一截**。

[工程]：智能招聘--一个可组装的人才智能推荐系统很早以前在招聘网站上找工作，简历是一栏一栏填出来的。过了许多年，网站有了"简历模板导入"，每次仍要花很多时间：严格按照字段格式，把内容逐项输入到对应的位置，等于换了个界面把简历再抄一遍。当时就想：简历里明明已经写了这些信息，为什么不能一键导入、自动识别关键信息？

深蓝电商API

用向量数据库存储爬取内容：语义检索的高级玩法在网络爬虫的传统技术栈里，爬取到的海量网页、文档、资讯等非结构化内容，往往以原始文本的形式存储在关系型数据库或对象存储中，检索依赖关键词匹配 —— 它能精准命中字符，却读不懂同义表达、上下文语境和隐含语义，最终导致漏检、错检频发，海量爬取数据的价值难以充分释放。

编程火箭车

MySQL 拥抱 AI：向量、RAG、AutoML 全进了数据库这篇文章写给想给工具或产品加「AI 问答」能力、又不想单独搭一套向量数据库 + 嵌入服务的开发者——尤其是独立开发者和中小团队。读完你会得到三件事：MySQL 把「存、找、答、预测」做进了数据库的哪一步、怎么用一条 SQL 给工具做问答、以及什么情况下才值得上。

救救孩子把

AI面试八股文-07_6-向量数据库索引详解更新： 2026-10-12时效说明：产品能力与参数以官方文档为准；涉及市场格局和产品能力的描述截至 2026-10。本文不提供脱离数据集、硬件和召回目标的“万能性能数字”。

做个文艺程序员

MQ第10篇：RAG与消息队列实战：Java构建AI客服系统的检索增强生成完整架构摘要：本文深入RAG（检索增强生成）的工程实现，用Spring AI的VectorStore + RetrievalAugmentationAdvisor + RocketMQ构建完整的AI客服系统架构。从“不是让AI记住所有知识，而是开卷考试”的核心原理讲起，拆解知识库异步更新管道和用户请求异步处理链路，用RocketMQ LiteTopic实现多租户SaaS下的会话级隔离。全文配架构图、时序图、可直接运行的Spring Boot代码，以及5个生产环境必知的核心决策点。适合正在构建企业级AI客服、智能问

大模型技术全景(二十二)：RAG 数据入库与向量数据库📚 本文收录于「流浪」的系列专栏🏠 博客主页：流浪｜ 📝 原创首发于 CSDN上一篇我们把嵌入这件事讲透了：文本被转成一列数字，语义相近的对象在向量空间里靠得更近，相似度用什么距离算、模型怎么选，都是那一篇的事。向量算出来之后还面临一个很现实的问题——它得有地方放。放内存里进程一重启就没了，放普通数据库里又查不动，因为「找出最相似的十条」这种问题，传统数据库的索引结构根本答不上来。本篇接着讲知识库构建的最后一环：数据入库，也就是向量存到哪、一条记录里到底要存哪些东西。

智码看视界

向量数据库选型实战：Milvus vs Chroma vs Qdrant 谁更适合 RAGRAG 系统真到生产才发现有 N 个坑，向量库选型不能只看 benchmark。RAG 系统的向量库，真到生产才发现有 N 个坑。先定义 5 个选型维度：

做个文艺程序员

MinIO第07篇：基于MinIO + Spring AI + pgvector构建RAG知识库（Java全栈实战）系列导读：前六篇我们完成了从架构认知、Spring Boot集成、大文件分片上传、多租户隔离、事件驱动架构到分布式部署的完整链路。这一篇是系列的收官之作，我们将把MinIO从“文件存储工具”升级为“AI数据底座”——用Spring Boot 3 + Spring AI + MinIO + PostgreSQL/pgvector构建一个完整的RAG（检索增强生成）知识库系统。

PageIndex没翻车，翻车的是我的解析器测试日期：2026-10-02 测试环境：Docker+PageIndex Cloud SDK+FAISS+PyMuPDF+硅基流动API 测试文档：腾讯控股2024年度年报（274页，繁体PDF）

向量索引也要治理：RAG 系统里“原始数据已作废、向量仍可检索”怎么解RAG 上线后最典型的失效不是模型答错，而是检索层悄悄失效：原文改了向量没改，原文删了向量还在，索引漂移无人发现。本文把向量索引当作一类受管数据资产，拆出索引生命周期、向量权限合规、检索质量闭环三大工作项，给出六张可直接套用的清单与巡检表。

向量数据库选型实战：Chroma/Qdrant/Milvus/PgVector 怎么选**一句话讲清楚：**RAG、Agent记忆、推荐系统背后都靠向量数据库做语义检索。但Chroma、Qdrant、Milvus、Redis Vector、PgVector到底怎么选？这篇从原理到选型逻辑一次讲透。

软考系统架构师｜论文篇 3+4｜2026 两道真题实战｜向量数据库 & 六边形架构软考高级系统架构师论文，最大的备考秘诀不是背多篇完整范文，而是掌握一稿多套。同一份项目底稿，大部分内容直接默写，考场上只需要替换少量主题段落，就能适配不同考题。本次一次性更新论文篇 3、4 两集，拆解 2026 上半年两道真题，完整演示这套考场实战方法。

智码看视界

Edge AI 全栈实战 ④：向量数据库 + RAG 让 IoT 诊断拥有“记忆“① 篇：ESP32 → MQTT → 云端（能通） ② 篇：ESP32 → MQTT → Flink → 实时管道 + 异常检测（生产级） ③ 篇：② + 异常时调 LLM 生成诊断（会思考） ④ 篇：③ + 向量库存历史诊断，检索增强（有记忆） ← 本篇

CentOS 部署 Milvus 向量数据库完整指南在开始安装 Milvus 之前，请确认你的 CentOS 系统满足以下最低要求：提示： Milvus Standalone 模式适合开发、测试及中小规模生产环境。如果数据量超过 1000 万向量，建议使用 Cluster 集群模式部署。

深海鱼肝油ya

向量数据库Elasticsearch（四）搜索文档——各种方式目录一.创建索引&添加数据二.搜索方式1.match_all2.match3.range4.match_phrase

深海鱼肝油ya

向量数据库Elasticsearch（二）介绍&安装&常用操作目录一.Elasticsearch介绍_全文检索二.Elasticsearch介绍_正排索引&倒排索引