向量数据库

nice_lcj5207 天前
java·spring boot·embedding·向量数据库·rag·spring ai·ai应用开发
【从零理解 Spring AI · 14】RAG 的四个环节:加载、切分、向量化、检索上一篇的最小闭环里,"把文档导入向量库"被一句话带过了。真到落地,你会发现RAG 项目的坑 80% 都埋在导入环节:PDF 解析乱码、段落切得稀碎、检索回来的内容答非所问。
典学长编程7 天前
向量数据库·rag·索引构建·文本向量化·mmr·索引增强·最大边际相关性
RAG 进阶学习:索引构建阶段与检索增强阶段索引构建阶段的目标是准备 RAG 知识库:将原始文档转换为可供检索的向量索引。该阶段包含三个核心步骤:
雪碧聊技术14 天前
向量数据库·rag·增强检索生成
RAG技术解析、落地指南(详解)前言:RAG是什么?有什么用?RAG 全称是 Retrieval-Augmented Generation,即“检索增强生成”.
底层玩家老张17 天前
数据库·向量数据库·向量检索·ai数据库
RAG向量库拆分复盘:内存、延迟与权限的三笔账各位,我是老张。今天从一次实战出发,往下拆一层。去年帮一家制造企业做设备知识库。业务数据在KES里,向量库单独部署。上线三个月,同步链路晚高峰延迟40分钟。运维要维护两套备份,两套权限。真正难受的是审计。同一份工艺文档,业务库有行级权限。向量库里却是一条裸记录。问题就出在数据出了库。
一枕槐安48721 天前
向量数据库·rag·去重·内容哈希·知识库更新·增量索引
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48721 天前
向量数据库·rag·权限控制·多租户·数据隔离·saas架构
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。
利威尔xu22 天前
人工智能·后端·大模型·向量数据库·rag
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。
夏文强24 天前
人工智能·大模型·向量数据库·rag·检索增强生成
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**。
slacker-kian25 天前
ai·ai编程·向量数据库·1024程序员节·相似性搜索·人力推荐系统
[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API25 天前
爬虫·向量数据库
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1 个月前
数据库·mysql·ai编程·向量数据库·rag·automl·mysql9
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1 个月前
数据库·人工智能·面试·向量数据库·hnsw
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1 个月前
人工智能·架构·rocketmq·向量数据库·rag·ai客服·spring ai
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
流浪0011 个月前
llm·向量数据库·rag·rag数据库入库
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1 个月前
embedding·milvus·向量数据库·chroma·rag·语义检索·选型对比
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1 个月前
minio·向量数据库·ai大模型·rag·springai·pgvector
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。
光依旧2 个月前
docker·langchain·大模型·向量数据库·pdf解析·rag·pageindex
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)
森山冶仁2 个月前
数据治理·向量数据库·数据质量·元数据·rag
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。
Alice-YUE2 个月前
数据库·milvus·向量数据库·chroma·rag·qdrant
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。
自传.2 个月前
软考高级·向量数据库·六边形架构·软考系统架构师·系统架构师论文·2026真题·论文实战
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。