向量数据库博客
学习技术干货，参考用户案例，了解公司动态及社区活动。探索海量向量数据库内容。
技术干货
多智能体系统中，如何用向量数据库共享上下文？OpenAgents x Milvus
今年以来，围绕到底是单一agent好，还是多agent协作更优这个话题，行业已经反反复复吵了好几轮。
技术干货
国内首个 LangGraph Agent 模板！Multi-Agent框架最优解
大模型落地，要么做workflow、要么做agent，而无论哪一种，全都离不开框架，已经成为共识。而框架的选型，也直接决定着项目落地的效果好坏。
技术干货
Embedding相似度不是万金油，电商、 新闻场景如何按时效性做rerank
假设你要在一个新闻应用中落地语义检索功能，让用户搜索雷军的投资版图盘点时，能自动关联顺为资本、小米战投等核心关联信息。
技术干货
Embedding无敌？是做文档处理RAG最大的幻觉（含LangExtract+Milvus教程）
前段时间，我们开源了代码上下文检索工具Claude Context。
技术干货
Manus、LangChain一手经验:先别给Multi Agent判死刑,是你不会管理上下文
一个多月前，全球两大技术顶流，围绕Multi-Agent吵的天翻地覆。 一方是开发 Claude 的 Anthropic，他们认为Multi-Agent更有效。在他们的实验中，多 Agent 协作成功率比单一 Agent 高出 90.2%。 另一方则是推出「Devin」的 Cognition，他们看来：单一 Agent 配合长上下文压缩与精细调度，其实更加稳健、好用、成本低。
技术干货
1bit压缩+高召回，RaBitQ如何成为AI infra的embedding 量化最优解
Milvus2.6 版本更新的诸多功能中， RaBitQ 1-bit Quantization（以下简称 RaBitQ）无疑是最耀眼的亮点。 它将向量量化压缩推向极致，实现 **FP32 向量压缩至 1:32 的极致比率，同时保持高召回率**，帮助开发者在模型训练为代表的海量数据场景下显著降低资源消耗。 本文将深入剖析 RaBitQ 的技术细节与实际应用，并通过一个上手案例，让你快速感受到其魅力。
技术干货
POC避坑指南｜VectorDBBench自定义数据集测试实战教程
本文是 “向量数据库 POC 指南” 的系列文章之一。大模型落地，如何做配套的技术设施选型，已经成为了困扰很多企业的一大难题。但哪怕只是一个向量数据库，纸面参数就已经膨胀到需要重新统一度量衡。这些被吹的天花乱坠的成绩，往往会干扰企业的判断， 甚至导致企业浪费了大量企业的人力、物力之后，后期产品性能掉链子、运维一堆麻烦、成本越花越高…… 全部推倒重来。
技术干货
Langflow + Milvus，拖拉拽就能搞定的workflow教程来了
如果你想写个agent或者workflow，但是又不想在demo阶段投入太多精力去敲代码； 或者作为公司的运营或者销售，虽然代码能力平平，也想做个自己的workflow。 那么不妨试试低代码可视化平台，通过简单的拖放式 UI 连接生成式 AI 模型的组件，无需编写专业脚本就能构建和修改复杂的AI workflow，并且一键部署集成。 本文将以Langflow+Milvus 为例，带来完整演示。
技术干货
Word2Vec、 BERT、BGE-M3、LLM2Vec，embedding模型选型指南｜最全
在大模型落地过程中，一个更科学、更符合实际生产的POC 可以帮我们规避生产中的大部分问题。那如何做好POC？本系列文章,将对此做重点拆解。