汤不热吧
LanceDB 向量数据库深度实战：基于 Lance 列式存储的多模态 AI 检索与生产部署完整指南
在构建 RAG（检索增强生成）系统和多模态 AI 应用的过程中，向量数据库的选择直接决定了检索性能、存储成本和工程复杂度。大多数主流向量数据库（Milvus、Qdrant、Weaviate）都需要独立部署服务进程，而 LanceDB 提供了...
标签：向量数据库
LLM Agent持久记忆系统设计：从向量检索到长期记忆管理的工程化实战
引言：为什么LLM Agent需要持久记忆 大语言模型（LLM）在自然语言理解和生成方面展现出了令人瞩目的能力，但其固有的无状态特性一直是制约Agent应用落地的核心瓶颈。每次对话都是一张白纸——模型既不记得昨天与用户的交互内容，也无法从历...
Pinecone 向量数据库深度实战：从 Serverless 架构到稀疏-稠密混合检索的生产级部署指南
Table of Contents Toggle 引言：为什么 Pinecone 值得关注 Pinecone 架构解析：Serverless vs Pod-based Serverless 架构 Pod-based 架构 索引创建与配置详解...
向量数据库泡沫破裂：为什么PostgreSQL正在吞噬专用向量引擎的市场
过去三年，向量数据库赛道堪称AI浪潮中最火热的细分领域之一。Pinecone拿到了红杉领投的1.38亿美元融资，Weaviate募资5000万美元，Milvus背后的Zilliz更是拿下了超过1亿美元的投资。一时间，似乎每个做AI应用的团队...
2026年RAG系统从原型到生产的七道坎：工程实践与性能优化指南
引言：RAG的承诺与现实 2024年至2026年间，检索增强生成（Retrieval-Augmented Generation, RAG）从一个学术概念迅速演变为大模型落地最主流的工程范式。几乎每一家正在构建AI应用的团队，都在某个阶段尝试...
汤不热吧技术社区引入 AI 知识库：基于 Milvus 向量数据库与 LangChain 的 RAG 语义搜索系统搭建全记录
随着社区文章数量突破 3000 篇，传统的基于 SQL LIKE 的全文搜索已经难以满足用户精准获取技术内容的需求。为此，汤不热吧技术社区近期完成了 AI 语义搜索系统的建设——基于 Milvus 向量数据库与 LangChain 框架，构...
Hybrid Search 混合搜索实战：融合 BM25 全文检索与 Dense 向量搜索的最佳架构方案
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...
RAG系统生产级优化实战：Query改写、混合检索与高级排序技术深度解析
检索增强生成（Retrieval-Augmented Generation, RAG）已成为大语言模型落地企业应用的主流架构。然而，许多团队在搭建完基础RAG原型后，发现检索结果不准确、回答质量不稳定、用户体验欠佳等问题。本文将聚焦RAG系...
Weaviate 向量数据库实战：从架构设计到 GraphQL 语义搜索的完整部署指南
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...
ChromaDB 向量数据库从入门到实战：构建高效 RAG 应用的完整指南
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...
- 1
- 2
- 共 2 页