向量检索

SelectDB技术团队

Apache Doris 在内容 AI 生产链路中的实践：从内容打标到可追溯数据链路作者：程兴源，AI startup 数据闭环架构师、Apache Doris MVP Hero导读：本文结合内容电商 AI 打标真实痛点，深度拆解如何解耦特征（Feature）、决策（Decision）与结果（Result），并基于 Apache Doris 4.x（VARIANT 半结构化 + 混合检索 + 增量物化视图）搭建统一的内容事实库，实现从模型推理到全链路可追溯的数据治理，为上层 AI Agent 打造坚实的数据底座。

OceanBase混合检索（Hybrid Search）：多模态检索实战指南Corrective RAG（CRAG），通过文档评分和托底机制来提升 RAG 系统的可靠性，主要解决检索结果的质量验证问题。但在检索环节本身，传统 RAG 系统还存在一个根本性的问题：单一检索方式的盲区。

小田学Python

RAG和Embedding技术解析：从理论到实践的探索THE END往期推荐RAG知识库搭建大揭秘：原来这么简单，还能这么有趣！大模型到底怎么思考？一篇看懂 Prompt、思维链、思维树

【Java/Go后端手撸原生Agent（第十一篇）：RAG检索——给Agent加上“查资料“能力】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → [Phase 7 Token预算与滑动窗口] → [Phase 8 摘要压缩] → [Phase 9 规划模式] → [Phase 10 Web UI] → Phase 11 RAG检索（本文）上一篇链接：【Java/Go后端手撸原生Agent（第十篇）：HTTP+SSE+W

从跳表到HNSW：深度拆解向量ANN检索的分层设计与近似本质在RAG系统的落地过程中，向量检索的性能永远是核心瓶颈之一。暴力检索的时间复杂度为 O(N×D)O(N \times D)O(N×D)，当向量规模突破10万条、维度达到1536维时，单次检索就要完成上亿次浮点运算，延迟直接上升到百毫秒级；百万级规模下更是会达到秒级，完全无法满足线上服务的吞吐要求。

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04：HNSW 索引深度剖析：为什么它是向量检索的“王者算法“？🔥 本文是《向量数据库实战：选型、调优与落地》专栏第 04 篇⏱️ 阅读时间：约 14 分钟一个真实的故事 📖

行者-全栈开发

【码动四季】Spring AI + RAG 电商知识库：AtomCode 如何让 Embedding 对齐从 3 天缩短到 4 小时💡 摘要: 电商商品知识库要支持"有没有适合送妈妈的护肤套装"这种自然语言查询，传统搜索完全搞不定。我们用 Spring AI 1.0 + Ollama + PgVector 搭建 RAG 系统，却在 Embedding 对齐上卡了 3 天——向量维度不一致、分片策略反复调、检索召回率上不去。引入 AtomCode 后，通过 Rules 校验向量维度、Skill 生成 Embedding Pipeline、Agent 自动测试检索召回率，将对齐周期压缩到 4 小时。本文完整记录 RAG 架构设计、Spr

金融支付架构实战指南

Milvus 向量检索服务 + SpringBoot 实战：电商商品语义检索与相似商品推荐一、业务背景与需求1. 原有痛点传统电商依靠 MySQL + Elasticsearch 关键词检索，存在明显短板：

2.1 向量基础：Embedding、余弦相似度、欧氏距离、向量检索如果说 LLM 是大脑，那向量就是它的「神经信号编码」。人类用文字交流，计算机用数字计算，而 Embedding 是连接这两个世界的桥梁。不懂向量，就不懂 RAG；不懂 RAG，就没法让 LLM 真正落地到实际业务中。

我把RAG召回率从60%提到90%，就改了这两件事💪🏻 1. Python基础专栏，基础知识一网打尽，9.9元买不了吃亏，买不了上当。 Python从入门到精通

这是谁的博客？

RAG 技术原理深度解析：检索增强生成架构与实践RAG（Retrieval-Augmented Generation，检索增强生成）是当前大语言模型应用的核心架构，通过外部知识检索与生成模型结合，显著提升 AI 系统的准确性、时效性和可控性。本文深入解析 RAG 的核心原理、架构组件、分块策略、检索优化、高级技术及评估方法，帮助开发者构建生产级 RAG 系统。

行者-全栈开发

Spring AI 混合搜索：如何让 RAG 检索准确率达到 95%？（附 RRF 算法实现）💡 摘要: 单一向量搜索存在语义匹配不精确、无法处理专有名词等问题。混合搜索结合关键词搜索（BM25）、向量相似度搜索、元数据过滤三种技术，显著提升检索精度和召回率。本文深入讲解混合搜索的架构设计、Spring AI 集成代码、权重调优技巧、Reciprocal Rank Fusion (RRF) 算法实现。通过实测数据对比单一搜索与混合搜索的准确率、召回率、F1 分数，展示如何在生产环境中实现 95%+ 的检索准确率。掌握这些技能，你将能够构建企业级高精度 RAG 系统。

（第四篇）Spring AI 架构设计与优化：真实生产环境复盘，从 100ms 到 10ms 的响应提速全流程大家好，我是深耕 Spring AI 落地的后端开发。上个月我们团队接到了一个紧急优化需求：线上跑了 3 个月的智能问答服务，平均响应耗时稳定在 100ms，业务高峰期 P99 延迟直接飙升到 500ms，大量用户反馈 “问个问题要等半天”，老板直接下了死命令：2 周内把平均延迟压到 20ms 以内，同时不能降低问答准确率。

RAG 检索查不准的工程归因：从向量对齐到分层召回的架构取舍在 2026 年初上线的某金融合规问答系统中，RAG 模块持续出现“用户问 A，系统答 B”的现象。典型场景如用户查询“2025 年反洗钱新规对跨境转账的影响”，系统却返回了“2023 年境内支付结算管理办法”相关内容。初期排查聚焦于 prompt 优化和相似度阈值调整，但效果有限。进一步观察发现，问题并非集中在单一环节，而是贯穿了从文档入库到最终回答生成的全链路。

BM25 + Vectors：为什么真实 RAG 系统通常两者都需要RAG 是一个先选内容再做生成的系统；retriever 不搜索文档，它搜索 chunks。 chunks 有问题了那么检索还没开始就已经完蛋了，所以我们可以用结构感知切分修这一点，把标题、代码块、警告框保持在一起。

RAG 的 Chunking 有什么好方案？从原理到实战选型Reddit 上有一个观点说得很直接：“Chunking 优化的是 embedding 的便利性，不是文档被使用的方式。”

如何提高 RAG 的检索质量？这才是真正的瓶颈所在有一句在 AI 工程圈流传的话：“RAG 没问题，问题出在你的检索层。”大多数开发者遇到 RAG 效果差时，第一反应是换更大的模型、调 temperature、改 prompt。折腾一圈发现没用——因为根本没对症。