工程实践

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

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。

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。

最近在社区里经常听到一些小伙伴说，Milvus 的配置参数有几百个，这些参数究竟该怎么配置，Milvus 才能获得最佳的性能和稳定性。打开 Milvus 的配置文件 milvus.yaml，各个功能模块，从基础设施(存储、消息队列)到业务功能(查询、写入、索引)，总共参数加起来超过了 500 多个，对于刚接触 M...

避雷指南：本文并非要一杆子打死所有的一体机，而是指出行业鱼龙混杂背后的真相，并给出一些避坑小技巧。

从海外的OpenAI、微软Bing Copilot、Perplexity AI，再到国内的豆包、Kimi，都是这一共识下的代表产品。