页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「向量数据库」找到 121 条内容
按专题浏览 →匹配正文：…56-512 tokens，保留段落边界 向量化：用Embedding模型（如BGE、M3E）将chunk转为向量 索引存储：存入向量数据库（Milvus、Faiss、Elasticsearch） 在线阶段：检索生成 Query理解：必要时进行Query改写、扩展、意图识别 向量检索：用ANN算法快速召回Top-K相关chunk 精排优化：Cross-Encoder重排序，过滤低质量内容 上下文融合：将检索结果拼接为Prompt上下文，约束模型生成 技术架构 用户Query …
匹配正文：…dding）：用嵌入模型把每个文本块变成一串数字（向量）。它的神奇之处在于：意思相近的文本，向量在空间中的位置也相近。所有向量存入向量数据库，相当于给知识库建好了“按语义查找”的索引。 检索：用户提问时，把问题也用同一个模型向量化，然后在向量数据库里找出与问题最相似的 Top-K 个知识块。这一步决定了模型“开卷考试”时翻到的是不是正确的那几页书。 生成：把用户问题和检索到的知识块，按提示词模板拼在一起交给大模型，要求它“根据给定资料回答”，输出的答案就是用户最终看到的结果。…
匹配正文：…不同模型的向量空间互不兼容。 在 RAG 里的角色 阶段 Embedding 做什么 离线建库 把知识库里每个文本块转成向量，存入向量数据库 在线检索 把用户问题也转成向量，找出距离最近的 Top-K 个块 没有 Embedding 就没有“按意思找资料”这件事，RAG 检索质量的上限很大程度取决于嵌入模型的好坏。 入门之后，可以往嵌入模型的选型与评测（MTEB / C-MTEB 榜单）、向量数据库与 ANN 近似最近邻索引（如 HNSW）两个方向继续深入。
学习内容与项目面试，在同一条路上。