向量检索

Redis 正式接入 AI：当"最懂速度的数据库"开始解决"记忆问题"Redis 不再只是缓存快车道，已成 AI 应用的记忆账本一句话概括：Redis 不再只是数据库前面那条快车道，它正在变成 AI 应用背后的那本"记忆账本"。

我不会起名字322

RAG 召回不准到底该改哪一环？切片、检索器、重排的 25 题实测与 6 步排查表我不会起名字322 · 后端 / 算法 / 数据库📘 技术栈｜ 🧩 力扣 Hot100 ｜ 🐹 Go 项目｜ 🟥 Redis ｜ 🐬 MySQL

数据库小学妹

多模数据库怎么选？技术栈收敛的代价与判断维度大家好，我是数据库小学妹👋 我踩过的坑，你别再踩。我接手过一个系统，第一件事是数它到底用了多少个数据组件。数出来七个。关系库存交易，缓存存热点，搜索引擎做全文检索。还有一个向量库做推荐召回，一个时序库存监控指标。以及文档库存操作日志，对象存储放文件。

RAG 2.0：从向量检索到 Agent 自主知识治理的进化路径RAG（检索增强生成）技术在大语言模型应用中已广泛落地，但传统 RAG 1.0 架构在 Agent 场景下暴露出检索僵化、知识不可更新、结果无法验证等根本性缺陷。本文提出 RAG 2.0 的核心范式转变——从被动向量检索进化为 Agent 自主知识治理，系统阐述检索决策机制、结果验证策略、知识自更新闭环三大核心能力，并提供基于 Python + LangGraph + FAISS 的完整工程实现。文章涵盖架构设计、关键代码、Mermaid 流程图及适用边界分析，适合已具备 RAG 基础经验的 AI 工程师

知识库检索接口优化方案：提升智能客服问答准确率本文围绕客服智能问答准确率偏低的问题，从知识库检索接口的优化角度展开分析。文章涵盖检索链路拆解、查询理解、多路召回、排序模型、接口性能、缓存机制、评测体系与A/B测试框架等核心模块，并给出架构设计、关键代码示例、badcase排查过程、性能数据与常见问题解答。通过标准化检索接口与多路召回融合，可显著提升问答匹配准确率，降低答非所问的比例。

数据库小学妹

AI数据库是什么？一次 RAG 召回失败的排查与选型（附 SQL）大家好，我是数据库小学妹👋我踩过的坑，你别再踩。这篇文章记录一次真实的 RAG 检索不准排查。并顺手梳理三件事。AI 数据库是什么。它和传统数据库差在哪。以及怎么选。全文含可直接运行的 SQL 示例。如果你正卡在召回不准上，可以对照最后那份避坑清单看。

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