基于统计的重排适合快速响应场景，基于深度学习的重排适合准确回答场景。

江浩

语义检索效果差？深度学习rerank VS 统计rerank选哪个

2025年伊始，Zilliz Cloud 上新了一系列新特性/功能，为生产级 AI 应用带来更具性价比及更安全可靠的向量数据库产品。

Zilliz

Zilliz Cloud上新：容量提升3倍、享5折优惠，支持高精度搜索

从ES到Milvus再到Ziliz Cloud，RAG助力哈啰在大模型时代自我进化。

哈啰：构建智能出行RAG，ES还是向量数据库？

使用Zilli Cloud+Waii在Text2SQL系统中处理高基数类别数据。

Gunther Hagleitner

陈将

向量数据库如何助力Text2SQL处理高基数类别数据

通过NVIDIA的cuVS库和CAGRA算法，GPU加速的向量搜索在涉及高召回值、高向量维度和大量向量的情况下，具有绝对优势。

Ruben Winastwan

英伟达首席工程师Corey： HNSW+CPU过时了！GPU+RAPIDS cuVS才是向量检索最优解

为了满足用户多样化的需求，粉笔教育一直坚持科技创新。从2021年到2024年，随着AI技术的发展及应用，粉笔教育也在创新职教行业，以缩短用户的学习链路。

“考公”有捷径？Milvus助力粉笔教育构建个性化考公RAG

Cosmos可以很好的解决物理AI数据不够用的困境，其典型应用场景包括生成各种非常逼真的机器人以及无人驾驶场景下的视频。

王翔宇

深度解读英伟达最新世界基础模型Cosmos：用AI数据训练AI算法，彻底闭环了？

Milvus助力基于RAG的医学知识召回，整体人效提升100%以上。

Milvus×全诊通：从导诊到智能超声，如何将人效比翻倍

集成部署Prometheus和Grafana来监控Milvus服务。

臧伟

手把手教你为Docker Compose启动的Milvus部署监控

方案实施后，系统给出的电价预测从平均准确率提升从不足 60%提升到了75%以上。

刘瑞峰

Milvus×合邦电力:向量数据库如何提升15%电价预测精度

本篇文章，我们会对DeepSeek v3的亮点进行梳理，并对其RAG搭建流程与效果，做一个简单的示例。

DeepSeek v3为何爆火？如何用其集成Milvus搭建RAG？

随着跨年钟声响起，2024 年告一段落。这一年，Milvus GitHub Stars 正式突破 3 万大关，Docker 下载量突破6700w 次，达到一个新的里程碑，在开源向量数据库领域继续引领前行。在这遥遥领先的数据背后，不妨让我们一起回头看看，今年 Milvus 的社区里都发生了哪些事情，对于每位关心 Milvus 的朋友会有哪些帮助。

李成龙

2024年， Milvus 社区的那些事

栾小凡

「回看Zilliz的2024」：Think Big, Think Long

Milvus 2.5引入了全文检索（FTS,Full-Text Search）功能，并将其与2.4版本以来支持的稀疏向量检索能力和混合检索能力结合，从而发挥出强大的协同效应。

实战Milvus 2.5：语义检索VS全文检索VS混合检索

精准召回没那么简单，而向量数据库，是支撑整个RAG体系运行的一个关键。 最终，李工团队选择了Zilliz Cloud ，让整个项目系统达到了满意的效果。

Zilliz落地垂直RAG：为什么说医疗场景中，LLM只是半成品？

Milvus 2.5 创新性地提出了基于稀疏向量的 BM25 检索能力，通过内置的 Sparse-BM25 对 Lexical 检索提供了原生支持。

ES已死，文本检索永生

如何从零搭建一个人脸识别应用？不妨试试原生Java人工智能算法：EasyAi + Milvus 的组合拳。

Milvus×EasyAi：如何用java从零搭建人脸识别应用

如果我们将鲁迅作品集向量化，储存到向量数据库中，然后通过模糊搜索某条据说是鲁迅说过的话，最后通过大模型组织语言输出回答，就能知道这句话是不是出自鲁迅之口。

揭秘2024年B站最火RAG视频是怎样炼成的

高质量的内容推荐是 JACO 能迅速占领中东市场的关键，Milvus的高效检索提供了强大助力。

Milvus × 百易图：霸榜中东的 APP 是如何炼成的

本文将通过在Dify平台上使用Milvus，带领大家构建一个高效的RAG系统，探索向量数据库的实际应用场景。

尹珉

Milvus×Dify半小时轻松构建RAG系统

本文讲述了Milvus 2.5中引入的Sparse-BM25基础原理，以及如何利用BM25算法实现RAG开发中的Hybrid Search（混合搜索）实践。通过引入Sparse-BM25算法，Milvus能够在稀疏向量上执行高效的全文检索，并与密集向量搜索相结合，提升检索的召回率和精确度。

RAG开发中，如何用Milvus 2.5 BM25算法实现混合搜索

通过使用向量数据库和知识图谱技术，豆神教育有效解决了大模型的幻觉问题，显著提升了教育产品的精准度。

降本50%以上，Zilliz助力豆神打造因材施教的AI教育平台

在本文，我们将介绍一个基于Hierarchical Navigable Small World（HNSW）算法实现的HNSWlib的向量检索库。

如何平衡向量检索速度和精度？深度解读HNSW算法

在RAG应用开发中，第一步就是对于文档进行chunking（分块），高效的文档分块，可以有效的提高后续的召回内容的准确性。而对于如何高效的分块是个讨论的热点，有诸如固定大小分块，随机大小分块，滑动窗口重新采样，递归分块，基于内容语义分块等方法。而Jina AI提出的Late Chunking从另外一个角度来处理分块问题，让我们来具体看看。

Late Chunking×Milvus：如何提高RAG准确率

稠密向量（Dense Vector）的维度较低，一般在几百到上千左右，每个维度的元素一般都不为零。相对的，还有一种稀疏向量（Sparse Vector），它的维度远远超过稠密向量，一般有几万甚至十万，但是大部分维度的元素都为零，只有少数元素是非零的。

外行如何速成专家？Embedding之BM25、splade稀疏向量解读

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。

蔡一凡

开源向量数据库性能对比: Milvus, Chroma, Qdrant

XTransfer基于RAG（Retrieval-Augmented Generation）技术，将向量数据库Zilliz Cloud的强大向量检索能力与AI大模型的综合理解能力相结合。依托企业长期沉淀下来的知识资产构建AI知识库，实现了知识的高效检索和输出，并支持多种应用场景，包括智能问答、实时辅助、离线学习等，为业务提效发挥了极大的促进作用。

稳！Zilliz助力XTransfer基于RAG打造B2B外贸金融加速器

手把手教你搭建一个大白话搜古诗词的 demo

朋友圈装腔指南：如何用向量数据库把大白话变成古诗词

在检索增强生成（RAG）应用中，选择合适的向量Embedding模型至关重要。本文阐述了从实际业务需求出发，从MTEB选择通用模型之后，采用准确率和召回率对于模型基于特定业务的数据集进行测试，从而选择最合适的Embedding模型，进而有效地提高RAG应用的召回准确率。

如何为RAG应用选择最佳Embedding模型

本文通过实践演示了 Milvus 在多语言 RAG 场景下的应用优势。结合 m3e 模型，我们实现了中英日三语的高效检索和问答，系统能准确理解不同语言的问题并从知识库中找出相关内容。这种基于向量数据库的解决方案，让多语言知识检索变得简单可靠，为构建跨语言应用提供了一个实用的技术选择。

别再用PostgreSQL了,Milvus才是多语言RAG的最佳搭档

本文将深入探讨Milvus所支持的几种主要向量索引的原理，包括它们的工作机制、优势以及适用场景，以帮助读者更好地理解和选择适合自己需求的索引方案。

居丽叶

RAG搭建中，如何选择最合适的向量索引？

一起来开个脑洞，如果孙悟空穿越到红楼梦的世界，他会成为谁？贾宝玉，林黛玉，还是薛宝钗？这看似一道文学题，但是我们不妨用数学方法来求解：孙悟空 + 红楼梦 - 西游记 = ？

孙悟空 + 红楼梦 - 西游记 = ？一文搞懂什么是向量嵌入

网络上流传着鲁迅说过的各种名言，我们不禁怀疑，鲁迅到底说没说？原文是什么样的，出处又是哪里？想回答这个问题，最好的办法就是搜索原文。但是，使用传统搜索方式，错了一个字可能就搜索不到，不如试试语义搜索吧。

算法打败文盲，我用向量数据库与RAG，做了个“鲁迅没说过”

对于Milvus的开发者和使用者来说，向量数据库的应用场景越来越广泛，但技术深度和问题复杂性也与日俱增。在构建AI应用、机器学习项目时，我们常常面临这样的困境：明明知道解决方案就在某处，却苦于找不到精准的技术指导。每一个Milvus开发者都渴望拥有一个随身的技术顾问，能即时解答向量检索、数据索引、性能优化等关键问题。想象一个完全理解你项目上下文、能秒级响应的专属AI助手，它可以帮助你节省大量技术排查时间，快速解决各种问题。通过构建属于自己的本地技术顾问，让你在使用和开发Milvus的路上更顺利。

通义×Milvus：手把手教你打造专属AI技术顾问

向量数据库是一个DB For AI的场景，传统的数据库无法满足AI业务的需求从而诞生了向量数据库。但是我们在这个过程中也越来越看到AI For DB的可能性。

徐豪聪

Milvus×OPPO：如何构建更懂你的大模型助手

知识图谱通过结构化的方式呈现实体及其关系，能够在检索过程中提供更为精细的上下文信息。通过利用 KG 的丰富关系性数据，RAG 不仅能够更精准地定位相关知识，还能更好地处理复杂的问答场景，如对比实体间的关系或回答多跳问题。

张晨

知识图谱融入向量数据库，带来RAG效果飞升

Milvus 2.5最新版本发布！一起来看看有哪些新功能吧

张粲宇

Milvus 2.5 发布：全文检索上线，标量过滤提速，易用性再突破！

基于这种细粒度权限管控的需求，本篇文章将介绍一种基于角色和权限的控制机制，该机制采用位图索引来管理数据表中行级别的访问权限，使得权限控制更为精细化和高效。这种方法不仅能够高效处理大规模数据的权限查询，还能灵活应对权限的更新操作。文章将从角色与权限的定义、位图的构建与使用、以及如何在实际场景中实现和应用这些概念等方面进行详细阐述。同时，我们还将通过 Milvus 的具体功能演示，展示如何在企业知识管理系统中利用这一机制来实现部门级的精细化权限控制。

企业RAG构建中，如何用“行级别权限管控”避免数据泄露

如何实现语义检索？Embedding模型和向量数据库在其中的作用至关重要。前者主要完成原始信息的向量化，后者则提供对向量化信息的存储、检索等服务。目前，检索增强生成（RAG）与多模态搜索，是语义检索的核心应用场景之一。

Elasticsearch vs 向量数据库:寻找最佳混合检索方案

允许开发人员在不牺牲语义完整性的情况下创建更精巧的嵌入。

Stefan Webb

套娃嵌入:如何优化向量搜索成本，并兼顾延迟与召回

海外旅游规划平台GYG使用LLM和RAG为旅游服务赋能。

Fendy Feng

Yesha Shastri

如何用大模型+向量数据库，帮你搞定出行规划与旅游blog

Florence模型的结构、训练方法、能力，以及与Milvus的组合应用。

Denis Kuria

Milvus×Florence：一文读懂如何构建多任务视觉模型

这篇文章是我的上一篇关于“使用LangGraph和Llama 3构建本地代理RAG”的文章的后续。在这篇文章中，我们将探索如何使用LangChain生态系统中的两个强大工具LangServe和LangGraph来构建应用程序。我们还将使用Milvus作为向量数据库。我们将向您展示如何设置FastAPI应用程序，配置LangServe和LangGraph，并使用Milvus进行高效的数据检索。

Stephen Batifol

使用LangServe、LangGraph和Milvus构建智能RAG应用

在这篇博客中，我们将探讨如何将RAG应用于法律数据。

使用RAG、Milvus和Ollama简化法律研究

LangChain是一个开源框架，它提供了便捷的工具和模板，以快速高效地创建智能、上下文感知的聊天机器人和其他AI应用。

Rok Benko

使用LangChain和Milvus构建具有长期记忆的会话AI代理

在我们最新的非结构化数据 meetup 会议上，我们有幸邀请到了AI Blocks的首席执行官Darren Oberst。他毕业于加州大学伯克利分校，拥有物理和哲学学位，目前专注于为金融和法律服务转变大型语言模型（LLM）应用的开发。在这次聚会上，Darren讨论了为什么大型金融和法律服务公司应该在本地部署检索增强生成（RAG）。

Haziqa Sajid

保护数据完整性：使用LLMware和Milvus进行本地RAG部署

在Zilliz最近主办的非结构化数据 meetup 上，Voxel51的机器学习工程师和开发者布道者Jacob Marks讨论了使用FiftyOne、LlamaIndex和Milvus构建强大的多模态RAG管道的复杂性。

使用FiftyOne、LlamaIndex和Milvus构建更好的多模态RAG管道

在最近的非结构化数据 meetup 上，Union.ai的机器学习工程师Sage Elliott讨论了部署和管理LLMs的问题，提供了将这些模型集成到商业应用中所需的工具、策略和最佳实践的宝贵见解。他的演讲对AI开发人员和运维经理特别有帮助，重点关注确保生产环境中LLM应用的可靠性和可扩展性。

Tim Mugabi

开始使用LLMOps：构建更好的AI应用

在最近的一次演讲中，Zilliz的生态系统和AI平台负责人Jiang Chen提出了一个逐步构建高效且生产就绪的向量搜索管道的过程。本文将讨论演讲的主要要点。

使用Spark和Milvus构建生产就绪的搜索管道

在最近的一次演讲中，Source Labs LLC的解决方案架构师Andrei Bondarev介绍了一个名为LangChain.rb的LangChain的Ruby扩展，以使全栈工程师更容易在他们的软件项目中构建GenAI应用。

使用Ruby和Milvus构建端到端的GenAI应用

在Zilliz最近主办的非结构化数据 meetup 上，BentoML的创始人兼首席执行官Chaoyu Yang分享了在扩展带有自定义AI模型的RAG系统时基础设施方面的障碍，并强调了像BentoML这样的工具如何简化这些组件的部署和管理。本文将回顾Chaoyu Yang的关键点，并探讨高级推理模式和优化技术。这些策略将帮助您构建不仅功能强大而且高效和成本效益的RAG系统。

Uppu Rajesh Kumar

使用自定义AI模型扩展RAG的基础设施挑战

在最近一次Zilliz非结构化数据 meetup的演讲中，Ragas的维护者Jithin James和Shahul Es分享了如何利用基于指标的开发来评估检索增强生成（RAG）系统的见解。开发者可以根据评估结果调整他们的系统以获得更好的性能。

基于指标开发的RAGs

检索增强生成（RAG）是一种有用的技术，可让您在AI驱动的聊天机器人中使用自己的数据。在这篇博客文章中，我将向您介绍三种关键策略，以充分利用RAG：

Christy Bergman

探索构建高效检索增强生成（RAG）的三大关键策略

Zilliz的生态系统和AI平台负责人Jiang Chen在最近的非结构化数据 meetup 上讨论了我们如何将Milvus与Snowflake无缝集成。具体来说，他探索了如何使用Milvus向量数据库和Snowpark容器服务（SPCS）与Snowflake生态系统集成来构建检索增强生成（RAG）系统。

使用自部署的Milvus向量数据库和Snowpark容器服务构建RAG

大语言模型（LLM）已经展示出与人类交互并生成文本响应的卓越能力。这些模型可以执行各种自然语言任务，如翻译、概括、代码生成和信息检索等。

使用 Milvus Lite、Llama3 和 LlamaIndex 搭建 RAG 应用

2024年4月，UpTrain AI 的联合创始人 Sourabh Agrawal 在由 Zilliz 主办的非结构化数据聚会上发表了演讲，讨论了实施 LLM-as-a-judge 技术的现实困难。他讨论了在工业界和学术界用于使这些评估有效的主要策略，并演示了 UpTrain AI 如何评估 GenAI 应用程序。

Fariba Laiq

使用 LLM-as-a-judge 评估您的 GenAI 应用程序的技巧和挑战

在我们最近的非结构化数据聚会上，WhyHow 的联合创始人 Chris Rec 分享了他如何将知识图谱（KG）整合到 RAG 流程中以获得更好的性能和准确性。本博客将涵盖他演讲的关键点，包括知识图谱、RAG 的概述，以及如何将知识图谱整合到 RAG 系统中以获得更好的性能。

使用 KnowHow 通过知识图谱增强您的 RAG

DETR（DEtection TRansformer）是使用变换器进行端到端目标检测的深度学习模型。

理解 DETR：使用变换器进行端到端目标检测

正则化可以防止机器学习模型在训练过程中过拟合。我们将讨论其概念和关键的正则化技术。

理解神经网络中的正则化

视觉变换器（ViT）是使用变换器执行计算机视觉任务（如目标检测和图像分类）的神经网络模型。

理解视觉变换器（ViT）的初学者指南

Milvus从一开始就被设计为支持Kubernetes，并且可以轻松部署在AWS上。为了构建一个可靠、弹性的Milvus向量数据库集群，我们可以使用Amazon Elastic Kubernetes Service（Amazon EKS）作为托管的Kubernetes服务，Amazon S3作为对象存储，Amazon Managed Streaming for Apache Kafka（Amazon MSK）作为消息存储，以及Amazon Elastic Load Balancing（Amazon ELB）作为负载均衡器。

在Amazon EKS上设置Milvus

HyDE（假设性文档嵌入）是一种检索方法，它使用“假”文档来改进大型语言模型（LLM）和 RAG 的答案。

使用假设性文档嵌入（HyDE）改进信息检索和 RAG

本文将介绍 MoE 的核心概念、LLM、训练、推理以及 MoE 在现代 AI 模型中的作用。

深度解读混合专家模型（MoE）：算法、演变与原理

本文将探讨如何使用 llama-agents 和 Milvus 构建 Agent 系统。通过将 LLM 的强大功能与 Milvus 的向量相似性搜索能力相结合，我们可以创建智能且高效、可扩展的复杂 Agent 系统。

使用Milvus和Llama-agents构建更强大的Agent系统

文本将使用 SentenceTransformers 将非结构化数据转换为 Embedding 向量。SentenceTransformers 是一个能够将句子、文本和图像转换为 Embedding 向量的 Python 框架。您可以用它来编码超过100种语言的句子或文本。然后，我们就可以通过相似度类型（例如：余弦距离）来比较这些 Embedding 向量，从而找到相似含义的句子。

SentenceTransformers×Milvus:如何进行向量相似性搜索

在这篇文章中，我们将讨论一种名为 LLM-Eval 的方法，它用于评估 LLM 的响应质量。

LLM-Eval：评估 LLM 对话的简化方法

BERT，即Bidirectional Encoder Representations from Transformers，自2018年由谷歌发布以来，极大地改变了自然语言处理（NLP）的格局。

 Daniella Pontes

什么是BERT（Bidirectional Encoder Representations from Transformers）？

在本文中，我们将更详细地向您介绍知识图谱，它们的组成部分，如何构建它们，以及它们的不同应用。

什么是知识图谱（KG）？

计算机视觉是人工智能的一个领域，它使机器能够像人类一样捕获和解释来自世界的视觉信息。计算机视觉的目标是自动化人类视觉系统，以识别对象，理解场景，并在分析视觉数据后做出判断。

什么是计算机视觉？

OSS4AI 的首席执行官 Yujian Tang 最近在由 Zilliz 主办的非结构化数据聚会上发表演讲。他讨论了 RAG 及其基本组件，并演示了如何构建多语言 RAG 来应对多样化的真实世界语言挑战。

使用 Milvus、LangChain 和 OpenAI LLM 构建多语言 RAG

在最近的巴西非结构化数据聚会上，Zilliz的人工智能和机器学习负责人Frank Liu谈到了向量数据库是如何改变人工智能应用中非结构化数据搜索的格局的。他的见解揭示了这些数据库广泛而深远的能力。

向量数据库正在革新人工智能应用中的非结构化数据搜索

本文将全面比较向量数据库和图数据库，帮助您理解它们的根本差异、优势和理想应用。

向量数据库与图数据库

生成性人工智能（GenAI）的兴起，特别是大型语言模型（LLMs），极大地激发了人们对向量数据库的兴趣，确立了它们在GenAI生态系统中作为重要组成部分的地位。结果，向量数据库在越来越多的用例中被采用。

如何在亚马逊EKS上部署开源Milvus向量数据库

本文将帮助你了解目标检测的工作原理、主流的目标检测模型和算法、目标检测面临的挑战以及这项技术的未来趋势。

入门指南：什么是目标检测

在 Serving 阶段实现有效的内存管理至关重要。一个可行的解决方案是通过 PagedAttention 算法。本文将重点探讨这种解决方案。

如何在大语言模型 Serving 阶段高效管理内存：分页注意力机制

在本文中，我们将探讨GenAI和传统搜索引擎的工作原理，比较它们的优势和劣势，并讨论整合这两种技术的可能性。

ChatGPT这样的生成型人工智能会取代谷歌搜索吗？

本教程将为您提供清晰的分步骤讲解，介绍如何使用 Milvus Operator 在 Kubernetes 上部署 Milvus。

手把手教程：如何在 Kubernetes 上部署 Milvus

在最近由 Zilliz 主办的非结构化数据 Meetup 上，Jina AI 的工程经理 Bo Wang 向我们介绍了模态 Gap 问题的复杂性并探讨了从 OpenAI 的 CLIP 模型到 JinaCLIP 的转变。本文将回顾他的一些主要观点，并上手搭建一个多模态相似性搜索系统。搭建这个系统的过程中，我们将使用 JinaCLIP 生成多模态 Embedding，并使用 Milvus 向量数据库存储和检索与查询向量相似的数据。

Simon Mwaniki

从 CLIP 到 JinaCLIP：搜索和多模态 RAG 中的通用 文本-图像表示学习

本文详细介绍了如何使用 Neo4j 图数据库和 Milvus 向量数据库搭建 GraphRAG Agent。这个 Agent 通过结合图数据库和向量搜索的强大功能，能够提供准确且与用户查询十分相关的答案。在本文示例中，我们将使用 LangGraph、Llama 3.1 8B 配合 Ollama 和 GPT-4o。

Jason Koo

使用 Neo4j 和 Milvus 搭建 GraphRAG Agent 

本文将从基础的 encoder-decoder 架构开始介绍 Transformer 模型及其机制和能力。通过探索模型精巧的设计和计算过程，我们将揭秘为什么 Transformer 成为了现代 NLP 进步的基石。

揭秘 Transformer 模型：Transformer 架构和底层原理的研究

本文将介绍一种减轻 LLM 幻觉的解决方案——检索增强生成（Retrieval Augmented Generation，RAG）。我们将搭建一个结合了不同模态数据（文本和图像）的多模态 RAG 应用，以减轻 LLM 幻觉。

使用Gemini 1.5、BGE-M3、Milvus Lite 和 LangChain 搭建多模态 RAG 应用

在本文中，我们将讨论由Anthropic团队在他们的论文“宪法人工智能：来自人工智能反馈的无害性”中提出的一种方法——宪法人工智能（CAI），它解决了上述问题。


宪法人工智能：来自人工智能反馈的无害性

Milvus Backup 是一个用于备份和恢复 Milvus 数据的工具。它同时提供 CLI 和 API ，以适应不同的应用场景。本教程将手把手带您使用 Milvus Backup ，帮助您学会如何处理您的备份需求。

手把手教程：如何使用 Milvus Backup 备份工具

在当今以数据为驱动的世界中，每天产生超过2.5千万亿字节的数据。数据创造的庞大体量和速度使得在互联网上导航变得类似于探索一片密集的丛林。没有信息检索（IR），找到特定信息几乎是不可能的。今天，我们将从零开始揭开信息检索的概念，讨论这项技术的方方面面。

信息检索是什么？

在本文中，我们编译了20个最受欢迎的NLP数据集，分为通用NLP任务、情感分析、基于文本的任务和语音识别四大类别。我们还探讨了为您的项目选择理想数据集的关键标准。

20个流行的自然语言处理开放数据集

在当今快速发展的商业世界中，我们必须拥抱像生成型人工智能（GenAI）这样的尖端技术以保持竞争力。从自动化平凡任务到增强决策制定，GenAI正在改变行业的运作方式。但这对你的组织意味着什么？

向量数据库博客