搜索
广州智跃深空（Zleap）开源了自研的SAG2及桌面端SAG Wiki，利用BM25与JEV直接索引和检索本地文件，无需大模型预处理、Embedding或向量数据库，以极快建库、精准多跳检索和低Token消耗提供轻量本地知识库方案。
前段时间，我们做了一个开源项目 Vector Graph RAG，尝试只用 Milvus 向量数据库实现知识图谱的多跳检索，省去额外部署图数据库的麻烦。
语义搜索能够帮用户找到最相关的内容，但有时候，相关性高，并不代表结果就应该被优先展示。
在 Milvus 集群迁移、故障恢复或测试环境搭建中，备份和恢复都是常见操作。但备份成功之后，数据距离能够正常查询，还需要经过导入、索引重建和加载等步骤。比如对大规模向量数据来说，索引重建尤其耗时。
给一个需要长期维护的知识库做数据库选型，通常会碰到两类问题：内容持续更新以后，框架能不能方便修改和回退；数据量和负载上来以后，底层向量数据库能不能根据需求切换。
近日，Milvus 3.0 正式上线。作为 Milvus 架构演进中的里程碑式版本，3.0 不仅带来多项突破性新功能，更从底层重塑了向量数据的存储、索引与检索边界。在 Milvus 3.0 中，你可以获得：
阿里开源的生产级向量数据库，跑在进程里，亿级数据毫秒响应
这篇文章想回答几个大家更关心的基础问题：Vector Lakebase 能解决你的什么问题，什么场景下用它最合适，如何用好Vector Lakebase 。
过去半年，几乎所有Agent框架都在补长期记忆能力。最常见的做法，是给系统接一个向量数据库，把历史对话、用户偏好、项目经验、工具调用结果、失败案例都存进去。看起来，只要把“记忆”这块补上，Agent就能从一次性对话工具变成长期协作伙伴。
过去八九年，我们一直在做一件事：把向量数据库从一个很小众的系统方向，做成 AI 基础设施里的关键组件。