产品观察、技术解析与工程实践

最近和开发者交流，发现一个很有意思的现象，很多初学者做RAG，一上手就直奔OpenAI的text-embedding-3-small。的确，这是个无功无过的模型。

但在这之后，进阶版的embedding模型选型，就不知道从何下手了。

一方面，一个生产级的RAG，通常会涉及图片、文字、PDF等等多种文件形态，以及合同、sop、通知等不同内容类型，不同类型的数据处理，需要不同的embedding模型。

为了在朋友圈优雅地假装文艺青年，之前，我用向量数据库Milvus开发了应用语义搜索古诗词，它可以把白话文“变成”古诗词（详见朋友圈装腔指南：如何用向量数据库把大白话变成古诗词）。

但是，在朋友圈只发文字未免单调了些，还是需要搭配与古诗词意境相似的图片才行。但是，直接用古诗词检索图片，效果不太理想。

那么，可以通过向量数据库检索和古诗词含义相近的图片吗？

答案是当然可以，实现方法和文本的语义检索相似，只不过这次我们要使用多模态的embedding模型。

前言

这几天阿里低调放出两款 Qwen3 家族的新模型：Qwen3-Embedding 和 Qwen3-Reranker（都分别包括0.6B轻量版、4B平衡版、8B高性能版三种尺寸）。两款模型基于 Qwen3 基座训练，天然具备强大的多语言理解能力，支持119种语言，覆盖主流自然语言和编程语言。

滴滴最近推出了一项名为“Grocery Business”的新业务，正式进军生鲜电商领域。这一服务已经在墨西哥、哥伦比亚、哥斯达黎加等国家的部分城市亮相。

随着人工智能的发展，向量检索的应用场景越来越广泛，比较常见的应用场景有：语义检索、多模态检索、知识问答、推荐系统等。为了给用户带来更棒的体验并保持市场竞争力，Grocery 采用了向量数据库技术，打造了一个先进的商超搜索系统，并通过不断的创新和优化，让用户的生鲜电商之旅更加顺畅和愉悦。本文主要介绍外卖商超搜索场景下的向量化实战。

01. 前言​

为应对公司在大规模文本、图像等非结构化数据处理上的业务增长需求，笔者着手调研当前流行的开源向量数据库。主要针对查询速度、并发度和召回率这几大核心维度进行深入分析，以确保选定的数据库方案能够在实际业务场景中高效应对大规模数据检索和高并发需求。通过全面对比不同数据库的表现，得出可靠的调研结论。

笔者首先在墨天轮排行榜中查看了国产向量数据库的排行情况。前三名分别是 Milvus、TensorDB、腾讯云VectorDB。Milvus 是一个非常受欢迎的开源向量数据库，目前在GitHub上已经有30K的star，足以说明它的关注度非常的高。TensorDB 是爱可生的闭源向量数据库，想使用只能走商业途径。腾讯云VectorDB 从名字上就能看出来是腾讯的向量数据库，它也是闭源的，但是可以在腾讯云上申请试用。试用的配置只有1核，1G内存，20G磁盘空间，不满足笔者的测试需求。

假设您拥有一台强大的计算机系统或一个应用，用于快速执行各种任务。但是，系统中有一个组件的速度跟不上其他部分，这个性能不佳的组件拉低了系统的整体性能，成为了整个系统的瓶颈。在软件领域中，瓶颈是指整个路径中吞吐量最低的部分。如果机器中的某个齿轮转得不够快，整个系统的速度都会受到影响。因此，及时识别和解决瓶颈问题的重要性不言而喻，能显著提升计算机系统和应用的效率。