标签：rag

2026-09-08andy阅读(40)

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...

2026-09-05andy阅读(58)

当大语言模型从实验项目走向生产系统，它就不再只是一个”调用API拿到文本”的简单组件，而是一个涉及提示词管理、上下文编排、多轮对话状态、工具调用链路、向量检索质量和成本控制的复杂分布式子系统。传统应用的监控手段——C...

2026-09-04andy阅读(58)

为什么AI搜索与深度研究成为2026年最热门的AI技能 2026年，AI搜索技术已经彻底改变了程序员和研究人员获取信息的方式。从Perplexity AI的实时问答，到OpenAI的Deep Research功能，再到开源的GPT Rese...

2026-09-03andy阅读(67)

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...

2026-08-26andy阅读(81)

在向量搜索领域，大多数生产系统采用的都是双编码器（Bi-Encoder）架构——将查询和文档分别压缩为单个稠密向量，再通过余弦相似度或点积计算相关性。这种方案虽然检索速度快，但信息压缩的代价是显著的：一个768维的向量很难完整保留文档的语义...

2026-08-21andy阅读(113)

2024年，几乎每个AI团队都在讨论Fine-tuning。2025年，讨论变成了RAG vs Fine-tuning哪个更好。到了2026年，这个问题的答案已经越来越清晰：在绝大多数企业场景下，Fine-tuning正在被RAG加上上下文...

2026-08-19andy阅读(89)

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...

2026-08-18andy阅读(84)

2025年，AI工程界出现了一个新的术语——Context Engineering（上下文工程）。OpenAI的应用研究工程师Taran Kon在一场演讲中明确提出：“Context engineering is the del...

2026-08-08andy阅读(108)

为什么选择 Vespa 而非传统向量数据库 在向量搜索领域，大多数人首先想到的是 Pinecone、Milvus 或 Qdrant 这样的专用向量数据库。然而，Yahoo（现 Verizon Media）开源的 Vespa 搜索引擎在实时搜...

2026-07-24andy阅读(149)

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...