📄️概述

本页为您提供与 Milvus 互动的教程列表。

📄️用 Milvus 打造 RAG

使用 Milvus 构建 RAG Pipeline，完成文档检索、上下文增强和大语言模型生成。

📄️高级 RAG

随着 RAG 应用的日益普及，人们越来越关注如何提高其性能。本文介绍了优化 RAG Pipeline 的所有可能方法，并提供了相应的图解，帮助您快速了解主流的 RAG 优化策略。

📄️使用 Milvus 进行全文搜索

Milvus 2.5 发布后，全文搜索功能使用户能够根据关键字或短语高效搜索文本，提供强大的文本检索功能。这一功能提高了搜索的准确性，并可与基于 Embedding 的检索无缝结合，实现混合搜索，从而在单个查询中同时获得基于语义和关键字的结果。在本笔记本中，我们将展示 Milvus 全文搜索的基本用法。

📄️使用 Milvus 进行混合搜索

使用 Milvus 进行混合搜索

📄️使用 Milvus 进行图像搜索

使用 Milvus 进行图像搜索

📄️多模态 RAG

使用 Milvus 的多模态 RAG

📄️使用 Milvus 构建 Graph RAG

使用 Milvus 构建 Graph RAG

📄️上下文检索

上下文检索（Contextual Retrieval）是 Anthropic 提出的一种先进的检索方法，旨在解决当前检索增强生成（RAG）解决方案中出现的块的语义隔离问题。在当前实用的 RAG 范式中，文档被分成若干个块，使用向量数据库进行查询搜索，检索出最相关的块。然后，LLM 使用这些检索到的分块对查询做出响应。…

📄️HDBSCAN 聚类

在本笔记本中，我们将使用 BGE-M3 Embedding 模型从新闻标题数据集中提取嵌入，利用 Milvus 高效计算嵌入之间的距离以帮助 HDBSCAN 进行聚类，然后使用 UMAP 方法将结果可视化以进行分析。本笔记本是 Milvus 对 Dylan Castillo 文章的改编。

📄️使用 ColPali 进行多种模式检索

在本笔记本中，为了通用起见，我们将这种多向量表示法称为 "ColBERT Embedding"。不过，实际使用的模型是 ColPali 模型。我们将演示如何使用 Milvus 进行多向量检索。在此基础上，我们将介绍如何使用 ColPali 根据给定查询检索网页。

📄️向量可视化

在本例中，我们将展示如何使用 t-SN 可视化 Milvus 中的嵌入（向量）。

📄️电影推荐

在本笔记本中，我们将探索如何使用 OpenAI 生成电影描述的 Embedding，并在 Milvus 中利用这些 Embedding 描述来推荐符合您偏好的电影。为了增强搜索结果，我们将利用过滤功能来执行元数据搜索。本示例中使用的数据集来自 Hugging Face 数据集，包含 8000 多个电影条目，为电影推荐提供了丰富的选择。

📄️Matryoshka Embeddings

在本笔记本中，我们将研究如何将 Matryoshka 嵌入与 Milvus 一起用于语义搜索。我们展示了一种名为 "漏斗搜索 "的算法，它允许我们在嵌入维度的一小部分子集上执行相似性搜索，而不会导致召回率急剧下降。

🗃探索更多

8 个项目