向量搜索

2026-07-28andy阅读(14)

为什么需要磁盘向量检索 在向量搜索领域，内存容量始终是制约系统规模的瓶颈。以常见的 768 维 float32 向量为例，十亿条向量的原始数据量约为 110^9 × 768 × 4 bytes ≈ 2.88 TB 。即便采用 PQ 量化将维...

2026-07-26andy阅读(340)评论(0)

作为Elasticsearch（ES）的资深用户，我们深知数据的删除操作并非简单的“一删了之”。标准的物理删除操作会在ES内部留下“tombstone”（删除标记），这些标记只有在后续的段合并（Segment Merge）过程中才会被清理，...

2026-07-23andy阅读(33)

在向量搜索领域，Faiss、Milvus、Qdrant 等工具早已广为人知，但 Google 开源的 ScaNN（Scalable Nearest Neighbors）却常常被低估。ScaNN 凭借独创的各向异性量化（Anisotropic...

2026-07-18andy阅读(65)

为什么 Reranker 是生产级 RAG 系统中不可或缺的关键组件 在构建基于向量搜索的 RAG（检索增强生成）系统时，许多开发者将大量精力投入到 Embedding 模型选型、向量数据库性能和分块策略优化上，却往往忽视了检索链路中一个至...

2026-07-12andy阅读(82)

为什么需要混合搜索？ 向量搜索（Vector Search）和全文检索（Full-Text Search）各有其不可替代的优势，但也存在天然的局限性。当我们在生产环境中构建搜索系统时，单纯的向量搜索往往会漏掉那些关键词精准匹配的结果，而纯关...

2026-07-07andy阅读(76)

在众多向量数据库中，Weaviate 凭借其独特的 GraphQL 原生接口、多租户架构和内置的模块化生态系统，在 AI 基础设施领域占据了一席之地。与 Milvus 专注于高性能检索、ChromaDB 追求轻量级不同，Weaviate 最...

2026-07-02andy阅读(95)

ChromaDB 向量数据库从入门到实战：构建高效 RAG 应用的完整指南 在大型语言模型（LLM）应用爆发的今天，检索增强生成（Retrieval-Augmented Generation, RAG）已成为构建知识密集型 AI 应用的核心...

2026-06-28andy阅读(181)

Milvus 向量数据库深度实战：从架构原理到生产部署与性能调优完整指南 随着大语言模型（LLM）和检索增强生成（RAG）技术的广泛普及，向量数据库已悄然成为AI基础设施的核心组件之一。在众多向量数据库产品中，Milvus 凭借其云原生架构...

2026-06-23andy阅读(142)

为什么生产环境需要 Qdrant：向量数据库的架构设计哲学 随着大语言模型（LLM）和检索增强生成（RAG）技术的广泛落地，向量数据库已经成为现代 AI 基础设施中不可或缺的一环。在众多向量数据库产品中，Qdrant 凭借其独特的 Rust...

2026-06-20andy阅读(111)

在向量搜索领域，Faiss、Milvus、Elasticsearch 等专用引擎占据主流，但对于许多中小规模应用场景，引入一套全新的向量数据库意味着额外的运维成本和架构复杂度。PostgreSQL 作为最广泛使用的关系型数据库之一，通过 p...