说明 Embedding、相似检索与典型产品。
作用:把文本/图片等转为向量(Embedding)后,按余弦相似度做近邻检索,支撑 RAG 的“知识召回”。
核心能力:高维向量索引(HNSW、IVF 等近似检索)、混合检索(向量+关键词 BM25)、元数据过滤、规模化与低延迟。
典型产品:Milvus、Chroma、Qdrant、Weaviate、PGVector(PostgreSQL 扩展)、Redis 向量检索。
流程:建库时 Embedding+写入;查询时问题 Embedding+ANN 检索 Top-K+(可选 rerank)+ 送 LLM。选型看规模、性能、是否需与现有库集成。
题目与答案就在本页;收藏、批注和错题重练在应用内