Tag
快速使用 Docker 部署 Milvus 向量数据库 写在前面 上一篇 Spring Boot + LangChain4j 实现 RAG 我们搭建了完整的 RAG 程序，但向量存储用的是 InMemoryEmbeddingStore ——数据全在内存里重启就没了。其实， 生产环境必须用专业的向量数据库。 而 Milvus 是目前 Java 环境中最成熟的选择： 原生 Java SDK，无需
查看更多 2026-08-14
从匹配到语义向量，RAG搜索革新之路 一、RAG与语义搜索：突破关键词瓶颈 使用者痛点 正在从"找不到信息"转变为"找不到精准信息"。话说回来，传统的关键词匹配程序面临以下挑战： 表达方式多样性问题 "Vue状态管理" vs "Vuex常用方法" 上下文理解缺失 "前端开发工具链" vs "建立工具比较" 长尾查询覆盖率低 "如何解决React状态更新不及时问题"
查看更多 2026-08-14
为什么需要向量数据库？ 在 RAG 程序中。我们通常需要将外部知识库切分成片段，并答案。 Milvus 是专为 AI 应用设计的开源向量数据库，支持海量向量的高效存储和检索。这篇文章基于 Milvus 的 Python SDK和 LangChain 的嵌入模型接口，实战操作整个流程。怎么说呢， . 环境准备 安装 Docker 并启动 Milvus 痛点一： Windows 原生不支持
查看更多 2026-08-13
什么是RAG？ RAG 中文全称为检索提高生成 是一种将信息检索 技术与大语言模型 深度结合的AI架构。 简单RAG 的主要原因是：先让大模型去指定知识库里“查阅资料”，再基于检索到的信息生成精准答案 。其实，这种“先查后答”的模式既弥补了模型知识滞后的问题。也降低了幻觉产生的风险， 从痛点一来看，文档量大导致切割与向量化耗时且成本高 在公司内部往往有海量 PDF、Word、网页等文件
查看更多 2026-08-13
在 Memory 向量记忆程序3 中，如何从海量召回结果中挑选最有价值的数据？老实说， 1️⃣ 先别被“同主题堆积”吓到：MMR 去重 & 多样化 说到你可能会遇到。召回的前十条结果几乎都是“苹果手机”，后面才是“苹果公司”“苹果音乐”。怎么说呢，如果直接按相似度排序，使用者得往下翻才能看到不同视角。 MMR解决什么痛点？ 保证相关性 文档与查询的语义匹配程度。 多样性 避免同一主题重复堆叠
查看更多 2026-08-13
这篇文章是继之前文章 “Elasticsearch：搜索教程 - 全文搜索”。在继续本篇之前，请先阅读前文，以便更好地理解下面的示例代码与概念。 Embedding 简介 —— 为什么你会卡在向量表示上？ 痛点 1： 传统关键词搜索只能匹配文字本身。无法捕捉“相似”或“相关”概念，导致使用者常常找不到语义上匹配的结果。 在机器学习中。embedding 是一个由数字组成的向量
查看更多 2026-08-13
Django 搭建 AI 本地知识库：文档上传、向量检索与智能问答 把 PDF 上传到服务器。再调用一次大模型，并不等于拥有“本地知识库”。一个真正可用的 Django 知识库至少要解决六件事：文件归属、文本切块、向量生成、相似度检索、权限过滤和答案引用 。怎么说呢， 这篇文章以 PostgreSQL、pgvector 和 Django ORM 为主线。并把方案放进本地
查看更多 2026-08-13
一、传统文本检索的痛点：为什么需要 RAG 语义搜索 日常我们做站内文章检索，最原始的方案是精确字符串匹配 用数据库like '%vue%' 正则匹配关键词。这种方式存在明显缺陷： 只能匹配字面相同词汇 无法理解语义：例如搜索「马铃薯做法」，无法命中「酸辣土豆丝教程」； 关键词同义词、近义词完全无法关联 检索召回率极低；话说回来， 无法区分上下文语义 多义词容易出现无关结果。
查看更多 2026-08-10
RAG检索提高生成 是 AI 领域常用的一种技术，帮助大型语言模型在不需要大规模微调的情况下利用本地知识库提高回答质量。老实说， 使用者常遇到的痛点： 微调成本高昂的观点是。全量微调效果好但费用巨大；轻量微调成本低却效果一般。 至于有限。LLM 的上下文长度受限，无法一次性记住所有对话。 数据隐私与安全：把私有数据上传至云端可能存在合规风险。 部署与维护成本：需要额外服务器或 GPU
查看更多 2026-08-10
至于痛点一。向量检索总是漏掉“语义鸿沟”里的关键函数 在实际项目里你经常会遇到这样的问题：搜索关键词时程序只返回了一部分相关代码，却漏掉了真正的实现入口。比如查询 process payment and create Stripe charge 时只命中了一个函数，而真正需要的函数 calculate_order_total 全部被忽略。
查看更多 2026-08-08
Demand feedback
