Mr Panda
0 关注者
狂奔滴小马
3周前
什么向量数据库，如何对接 vercel ai sdk?
Y11
1个月前
听了Zilliz创始人Charles的分享，我有几点收获笔记跟大家分享： 五年前我们开始做向量数据库时，这还算是个相对前沿的技术方向。 直到2023年随着RAG技术的成熟，这个领域才真正具备了商业化的可能性。 这让我想到，有些技术的价值需要时间来验证，过早商业化往往会遇到很多问题。 作为基础设施软件领域的创业者，我们早期也面临着商业化困难的挑战。 坚持投入了五年时间，团队累计投入了约30
howie.serious
2个月前
对比下两种不同的说法： 1）书，在未来会成为“embedding化的智能副本” 2）“把这本书RAG一下” 更具体一点，多说一句话来解释：把一本书的文本切块，处理成高维向量（embedding）后放进向量数据库（vector DB）；读者可以直接对书（的embedding）提问，用相似度算法把最相关段落检索出来，然后llm基于这本书的内容来回答读者问题。 简称为“RAG”。
凡人小北
5个月前
建议大家，别在简历里写“熟悉 RAG”了，或者面试前好好学学。 我面试过不少人，说熟悉 RAG，结果一问就穿帮。 RAG 绝大多数工程师只碰到前半段： 拿个 LangChain，上个向量库，把 chunk 和 embedding 丢进去跑个检索； 看起来跑通了，实际啥也没掌握。 但只要你简历上写了，面试官就会问你下面这些（当然不写也不一定逃得过）： - chunk 是怎么切的？固定？语义？还
宝玉
9个月前
DailyDoseofDS 这个图把传统 RAG 和 Agentic RAG 之间的差异分的比较清楚。 传统 RAG 就是先把文档向量化保存到向量数据库，然后在用户查询时，对用户的问题也做向量化，从向量数据库中找到相关的文档，再把问题和找出来的结果交给 LLM 去总结生成。 这种方式的优点就是简单，由于不需要太多次和 LLM 之间的交互，成本也相对低，但缺点是经常会因为做相似检索时，找不到合
