向量检索

用 Easysearch 给 AI Agent 装上长期记忆：Mem0 集成实战你有没有遇到过这样的场景：昨天花了半小时跟 AI 把一个 Bug 的根因讲清楚了，今天新开一个对话，对方又一脸懵地从零问起。每次都要重新交代背景，像是在跟一个永远刚入职的实习生打交道。

从检索到回答：RAG 流水线中三个被忽视的故障点RAG 流水线部署完毕、检索正常运行、LLM 按部就班地生成回答、用户也在持续收到响应，这一切看上去运转良好。但有一个问题大多数工程师从来不问：这些回答真的对吗？

向量相似性搜索详解：Flat Index、IVF 与 HNSW要理解向量搜索先要弄清楚为什么需要向量数据库，关系型数据库处理结构化数据得心应手。所谓结构化数据就是那些具有固定列的表格数据，比如说：姓名、年龄、薪资、日期。这类数据精确匹配查询很简单："Age > 25"或"Name = Subham"就能拿到想要的结果。

向量数据库对比：Pinecone、Chroma、Weaviate 的架构与适用场景向量数据库存储 Embedding，也就是文本、图像或音频的数值表示，并在查询时检索语义上最接近的结果。RAG 系统正是基于这一机制运作。本文对比三个主流方案，每个都附有 Python 代码，均来自实际在生产环境中使用三者的经验。三种选择：Pinecone 用于生产级规模，Chroma 用于本地原型开发，Weaviate 用于混合搜索。

RAG 知识库检索参数怎么调？一篇讲清 top_k、BM25、Rerank、各种阈值的区别很多人在刚开始做知识库问答、Dify 工作流、RAG 系统时，最容易遇到的问题不是“模型不够强”，而是：

Elasticsearch Query DSL 进阶：高频查询范式与实战排坑本文基于 ElasticSearch 8.x 版本，详细总结 Query DSL（Domain Specified Language，领域专用语言）的核心用法、各类查询场景及实操技巧。Query DSL 是 ES 中最强大的检索方式，通过 Rest API 传递 JSON 格式请求体与 ES 交互，支持精确匹配、全文检索、布尔组合等多种复杂查询，兼顾功能性与实操性，同时配套思维导图梳理知识框架，助力开发者快速掌握并灵活运用 Query DSL 完成各类检索需求。

在未来等你

AI Agent Skill Day 11：RAG Retrieval技能：检索增强生成的技能封装【AI Agent Skill Day 11】RAG Retrieval技能：检索增强生成的技能封装在“AI Agent Skill技能开发实战”系列的第11天，我们聚焦于知识检索技能模块的核心能力——RAG（Retrieval-Augmented Generation）检索增强生成技能的封装。随着大语言模型（LLM）在开放域问答、智能客服、企业知识库等场景中的广泛应用，单纯依赖模型内部参数的知识已难以满足准确性、时效性和领域专业性的要求。RAG通过将外部知识库与生成模型动态结合，显著提升了回答的可靠性与

混合检索架构：为什么BM25与向量搜索缺一不可实际生产环境中，主流方案是将两者结合：BM25不会消失，就像计算器没有取代算盘在特定场景的价值一样。这两种技术代表了信息检索的两个维度：精确性 vs. 语义性。真正的智能搜索系统需要同时掌握"字面"和"深意"。

面试：LLM RAG的三种算法和使用场景RerankingRAG（Retrieval-Augmented Generation）整体分为三个阶段：索引构建 → 检索 → 生成。

RAG 入门与实践指南近几年，生成式 AI 模型的发展速度惊人。然而，生成式 AI 往往受限于其训练数据，容易产生不可靠答案。为此，业界提出了溯源、更精准的生成方案——检索增强生成（Retrieve-augmented generation），简称 RAG。本文将全面解析 RAG 的概念、原理、优势以及如何成功地实践。

递归尽头是星辰

大模型与向量检索的融合：从核心原理到 Spring AI 落地本文系统梳理大模型与向量检索的完整知识体系，从基础概念、核心技术模块出发，深入剖析二者基于 RAG 的协同融合机制，结合Spring AI实现工业级落地实践，并针对工程化部署、性能优化给出可落地的解决方案。内容覆盖嵌入模型、向量检索算法 / 数据库、RAG 基础 / 进阶流程、多场景应用。

大规模向量检索优化：Binary Quantization 让 RAG 系统内存占用降低 32 倍当文档库规模扩张时向量数据库肯定会跟着膨胀。百万级甚至千万级的 embedding 存储，float32 格式下的内存开销相当可观。

多模态模型实践 - 图文跨模态检索实战教程目录摘要1 引言：多模态检索的时代价值与挑战2 技术原理：跨模态检索的架构设计2.1 核心架构设计理念

MateChat记忆化引擎设计：长期记忆与用户画像构建方案目录📖 摘要1. 🧠 记忆化引擎的设计哲学：为什么需要"有记性"的AI？1.1. 记忆的分类与价值定位

向量检索服务 DashVector产品计费重要本文中含有需要您注意的重要提示信息，忽略该信息可能对您的业务造成影响，请务必仔细阅读。本文主要介绍向量检索服务 DashVector的计费方式。

构建有记忆的 AI Agent：SQLite 存储 + 向量检索完整方案示例现在的 Agent 系统有个很明显的问题 —— 会话一结束，什么都忘了。这不是个技术缺陷，但是却限制了整个系统的能力边界。Agent 可以做推理、规划、执行复杂任务，但就是记不住之前发生过什么。每次对话都像是第一次见面，这种状态下很难说它真正"理解"了什么。

OceanBase数据库官方博客

OceanBase 混合检索解读：向量+标量，应该优先查哪个混合检索（Hybrid Search）作为AI应用中的常用技术，需要融合多模数据和多种检索技术，从而实现整合不同检索策略，来提升检索的准确性、召回率和适应性。

正在走向自律

探索RAGFlow：解锁生成式AI的无限潜能（2/6）文章摘要：本文介绍了 RAGFlow 这一生成式 AI 领域的新型系统架构，它融合了数据检索与生成式模型，通过多阶段处理、智能任务分配等优势，在智能客服、文档生成等多领域有广泛应用，能提升效率与质量。文章还分析了其技术原理、应用场景、技术优势及未来发展趋势，展现了 RAGFlow 在推动各行业数字化转型和智能化升级中的潜力。

Elastic开源社区

Elasticsearch 向量检索详解相似性搜索：根据向量之间的相似度，找到与目标向量最相似的文档。语义搜索：将文本转换为向量后，进行语义级别的搜索。