#向量检索
共 14 篇相关文章
2026年embedding模型选型指南：20+款API与开源模型对比
2026年embedding模型选型指南：对比20多款API与开源权重模型的每百万token价格、向量维度、最大输入长度与许可证，附存储成本推算方法与实战选型检查清单。
RAGFlow向量检索延迟暴增4秒：HNSW锁与归一化实战修复
RAGFlow接入Agent记忆管道时遭遇向量检索延迟危机：插入50QPS时查询延迟从80ms飙至4秒，召回率跌30%。本文拆解pgvector HNSW写锁竞争与嵌入归一化两大根因，给出读写索引分离、L2归一化、RRF混合检索的实战代码与生产指标。
不用向量数据库：fastembed + numpy 手写余弦相似度
不用向量数据库也能做RAG：用fastembed生成33MB小模型嵌入，numpy手写余弦相似度，约60行代码完成简历检索。文中还揭示了一个从教程复制TOP_K=12导致的隐蔽检索bug，以及如何用得分差距判断检索质量。
别急着上向量数据库：先测好你的检索基线
构建RAG助手不必从向量数据库开始。本文介绍如何用现有全文检索与SQL过滤建立可测量的检索基线，通过五十个真实问题的评估集找出词汇鸿沟场景，再决定是否引入向量检索与混合检索方案。
RAG评估指标全解析：检索、生成与运营三大维度
系统解析RAG评估指标：检索指标（Hit rate、Recall@k、MRR、nDCG）、生成指标（忠实度、答案相关性）与运营指标（成本、延迟、存储），附具体计算示例与工具实践。
RAG聊天机器人上线前检查清单：六个关键维度
一份面向首次生产发布的RAG聊天机器人检查清单，覆盖用例边界定义、文档切分、检索与生成分开评估、证据溯源、权限控制与时效性、工作流度量六个维度，附端到端测试流程。
构建更可靠的RAG系统：检索优化的四大核心杠杆
深入解析构建生产级RAG系统的四大核心杠杆：检索前后处理、文档分块、嵌入与向量库调优、以及效果评估。涵盖查询改写、HyDE、重排序、混合检索等实用工程技巧。
超越语义搜索：探索嵌入模型的趣味实验指南
除了语义搜索，还有哪些实验能帮你深入理解嵌入模型？本文梳理向量算术、聚类可视化、各向异性分析、跨语言对齐与鲁棒性测试等动手实验方向，培养对高维向量空间的工程直觉。
Google开源EmbeddingGemma2：文字与图片同处一个向量空间
Google开源多模态Embedding模型EmbeddingGemma2，支持文字、图片、音频、视频转换为同一向量空间的768维数字。本文通过300张动物照片的实战演示，解析跨模态检索为何分数偏低、如何用点积排序以及向量截断省空间的技巧。
为什么嵌入模型偏爱1536维？揭秘维度选择背后的权衡
为什么嵌入模型（embedding）常用 1536 维？本文从 Transformer 架构继承、注意力头整除、硬件对齐以及质量与成本的权衡，解析 1536 维背后的工程逻辑与生态原因。
Lakebase Search：为Postgres带来顶尖全文与向量检索能力
Lakebase Search为Postgres带来顶尖的全文检索与向量检索能力，面向AI Agent工作负载优化，支持混合检索，帮助开发者在关系型数据库中原生构建RAG与智能体应用。
深度解读纯向量检索为什么搜不准？大厂混合检索架构深度解析
深入分析向量检索无法精准匹配关键词的底层原因，拆解大厂RAG知识库通用的混合检索架构设计思路，涵盖关键词检索兜底、向量检索优化体验、加权排序融合及查询路由等实战落地方案。
深度解读RAG检索核心原理：Top-K粗召回与Rerank精排序完整流程详解
深入解析RAG检索增强生成的核心流程：Top-K粗召回如何快速筛选候选片段，Rerank精排序如何提升相关度，以及去重压缩如何优化最终上下文。掌握粗召回→精排序→压缩→生成的完整链路，轻松应对项目实操与面试。
产品体验Claude Context：让AI看懂整个代码库的MCP语义搜索工具
Zilliz开源的Claude Context是基于MCP协议的代码语义搜索工具，通过向量化索引让Claude Code等AI编程助手理解整个代码库上下文，GitHub已获10700+ Star。本文解析其架构原理与实际应用价值。