AI 技术文章

假设你要在一个新闻应用中落地语义检索功能，让用户搜索雷军的投资版图盘点时，能自动关联顺为资本、小米战投等核心关联信息。

Milvus 宣称2.5 版本就已经引入了全文检索（Full-text Search）

更进一步，还会有人想到是对图片、视频、文本、音频、pdf这样五花八门的数据做embedding后，进行语义相似度检索。

在向量数据库中，我们经常需要在海量高维向量（例如图像特征、文本 Embedding、语音向量）里快速找到最相似的若干个结果。如果没有索引，就只能逐个查询向量和底库向量的计算相似度，这就叫暴力搜索 (brute force)，当数据量达到千万、亿级时，暴搜几乎不可用。

一边却发现，企业过去已经在 ERP、CRM 等传统系统上砸了重金，直接替换的话，不仅效果会失控，成本账也算不过来

它不仅能根据一句话描述，就生成栩栩如生的手办图片，还能根据用户的描述，对图片进行精细化编辑，就连速度，也快得出奇。

大模型落地，要么做workflow、要么做agent，而无论哪一种，全都离不开框架，已经成为共识。而框架的选型，也直接决定着项目落地的效果好坏。

导读：本文来自联想软件工程师邓理平供稿。他讲述了联想如何用milvus向量数据库解决百万售后物料的管理难题。其使用场景包括：物料分类、适配机型、补货判断和历史复盘。最终效果则让物料分类和适配更精准，库存周转率提升了 10%，复盘效率提升超 20%，也让新员工能借助系统做出更稳妥的判断。

互联网时代，关系型数据库为王。相应的，我们的检索方式也是精确匹配查询为主——查找特定的用户ID、商品编号或订单状态。

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）。

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。

通过通过将原始输入转换为固定大小的高维向量，捕捉语义信息，embedding（嵌入）模型在构建RAG、推荐系统，甚至自动驾驶的模型训练过程中都产生着至关重要的影响。