📄️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

全文搜索是一种通过匹配文本中特定关键词或短语来检索文档的传统方法。它根据术语频率等因素计算出的相关性分数对结果进行排序。语义搜索更善于理解含义和上下文，而全文搜索则擅长精确的关键词匹配，因此是语义搜索的有益补充。构建 "RAG Pipeline 的常见方法包括通过语义搜索和全文搜索检索文档，然后进行 Reranking 以完善结果。

📄️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-SNE 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。

📄️Attu 快速入门

Attu 是 Milvus 的一体化开源管理工具。它具有直观的图形用户界面（GUI），可让您轻松与数据库交互。只需点击几下，您就可以直观地查看集群状态、管理元数据、执行数据查询等。

📄️在 asyncio 中使用 AsyncMilvusClient

AsyncMilvusClient 是一种异步 MilvusClient，它提供了基于协程（coroutine）的 API，可通过 asyncio 对 Milvus 进行非阻塞访问。本文将介绍调用 AsyncMilvusClient 提供的 API 的过程以及需要注意的方面。

📄️使用 Milvus 进行文本到图像搜索

在本教程中，我们将探讨如何使用 OpenAI 的 CLIP（对比语言-图像预训练）模型和 Milvus 实现基于文本的图像检索。我们将使用 CLIP 生成图像嵌入，将其存储在 Milvus 中，并执行高效的相似性搜索。

🗃探索更多

7 个项目