工程实践

最近，多模态 Embedding 模型的爆火在各个行业引起了广泛关注，改变了机器理解文本和图像的方式。虽然多模态 Embedding 模型发展有了重要突破，但这些模型仍旧面临一些关键挑战，其中之一就是不同模态数据的 Gap 问题——即使代表的是同一个对象，图像和文本 Embedding 在向量空间中的距离也相隔甚远。

Milvus 是一款高性能、高度可扩展的开源向量数据库，能够存储、索引和搜索由非结构化数据转化而来的高维 Embedding 向量。Milvus 适用于构建现代 AI 应用，如检索增强生成（RAG）、语义搜索、多模态搜索、推荐系统和其他 ML 任务。

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。

Llama-agents、Ollama、Mistral Nemo 和 Milvus Lite 简介

知识图谱与向量数据库结合的 Graph RAG 实践：通过实体和关系双路向量召回、局部子图扩展与 LLM Rerank，提升多跳问答的检索效果。

现在，让我们通过具体示例来看看 Phoenix 是如何识别错误 Embeddings 的。我们需要先回顾一下之前使用的 IMDB 数据集。记得我们之前是如何使用 sentence-transformers 库生成 Embeddings 的吗？

向量搜索，也称为向量相似性搜索或最近邻搜索，是一种常见于 RAG 应用和信息检索系统中的数据检索技术，用于查找与给定查询向量相似或密切相关的数据。业内通常会宣传该技术在处理大型数据集时非常直观且简单易用。一般来说，您只需将数据输入到 Embedding 模型中生成 Embedding 向量，然后将这些向量存储到向...

欢迎来到探索 Milvus 系列。Milvus 是一款支持水平扩展和具备出色性能的开源向量数据库。Milvus 的核心是其强大的存储系统，是数据持久化和存储的关键基础。该系统包括几个关键组成部分：元数据存储（meta storage）、消息存储（log broker）和对象存储（object storage）。

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...

随着大语言模型（LLM）技术的发展，RAG（Retrieval Augmented Generation）技术得到了广泛探讨和研究，越来越多的高级 RAG 检索方法也随之被人发现，相对于普通的 RAG 检索，高级 RAG 通过更深化的技术细节、更复杂的搜索策略，提供出了更准确、更相关、更丰富的信息检索结果。本文首...

推荐系统（推荐引擎）是根据用户行为和兴趣点等信息去预测并推送用户当前需要或感兴趣的物品（服务）的一类应用。常见推荐系统包括电影、书籍、音乐或新闻文章推荐系统等。

如果想要更好使用 Milvus、充分发挥其能力？修改 Milvus 配置来适配自己的业务场景绝对是个不错的选择。