Artikel für Leute, die
den Stack ausliefern
Beiträge zu React, Node.js, TypeScript und AI. Ein übersetzter Text wird gezeigt, wenn er existiert. Sonst sehen Sie den englischen Text und einen Hinweis.
Tag: HNSW
Fünf Methoden zur Indizierung von Vektoren für RAG, getestet an einer Million Wikipedia-Embeddings
Fünf Methoden zur Indizierung von Vektoren für RAG, getestet an einer Million Wikipedia-Embeddings: flat, IVFFlat, HNSW, BM25-Hybrid und DiskANN, zusammen mit Werten für Latenz und Recall.
9 Min. LesezeitVektorabfrage in Azure AI Search: HNSW, Profile und ein Python-RAG-Retriever
Ein Vektorindex in Azure AI Search mit Python erstellen: HNSW gegen ausführliche KNN-Methoden, Profile, Embeddings, Vektorabfragen und RAG-Aufforderungen sowie Tipps für hybride Suchverfahren.
9 Min. LesezeitIm Inneren von Vektordatenbanken: IVF, Bäume, HNSW und Produktquantisierung
Im Inneren von Vektordatenbanken: exakte versus annähernde Suche, IVF-Cluster, Baumwälder, HNSW-Schichten und ihre Parameter sowie welche Kosten durch Produktquantisierung entstehen.
7 Min. LesezeitWarum eine Weaviate-Abfrage langsam ist: Profiling pro Phase
Das Query Profiling in Weaviate liefert mit jeder Antwort eine Zeitaufschlüsselung nach Phasen, sodass sich langsame Filter, Festplattenzugriffe, Graphsuche oder Rescoring schnell auseinanderhalten lassen.
5 Min. LesezeitWir haben unsere Vektordatenbank abgeschafft: pgvector bewältigt 40 Mio. Embeddings problemlos
Ein Migrationsbericht: ein kostenpflichtiger Vector Store wird auf 40 Millionen Zeilen durch pgvector ersetzt, mit Backfill-Methode, dem Recall-Fehler, der sich hinter den Dashboards versteckte, und wann man nicht wechseln sollte.
5 Min. LesezeitJenseits von naivem RAG: HNSW-Speicherkosten, hybride Suche und langer Kontext
Warum In-Memory-Vektorindizes bei großen Datenmengen an eine Grenze stoßen, wo exakte Treffer scheitern und wie BM25-Hybride, RRF und PostgreSQL in eine Welt mit langem Kontext passen.
5 Min. LesezeitWie eine Vektordatenbank funktioniert: Embeddings, Vektorsuche und menschliches Gedächtnis
Ein auf dem Speichern basierendes mentales Modell für die Vektorsuche: Wie Embeddings, Ähnlichkeitsbetrachtungen, Nachbarschaftsindexe und Metadatenfilter in einer Vektordatenbank für RAG funktionieren.
9 Min. LesezeitAnpassung von HNSW-Indizes und Skalierung der Vektorabfrage für produktive RAG-Anwendungen
Erfahren Sie, wie die M- und ef-Parameter von HNSW zwischen Recall, Latenz und Speicher ausbalancieren, wie man sie in Chroma einstellt, sowie wann man eine Vektordatenbank vertikal oder durch Sharding skalieren sollte.
4 Min. LesezeitWie Vektor-Datenbanken wirklich funktionieren: Von Embeddings bis hin zu hybriden Suchverfahren
Erklärt, wie Embeddings Bedeutung kodieren, wie Similaritätssuche und -indizierung skaliert sowie wann hybride Suchverfahren und Vektordatenbanken tatsächlich in Unternehmens-KI-Systeme passen.
8 Min. Lesezeit
Über diese Artikel
Angebot in 24 Stunden
Denselben Stack in einer Operator-Schicht? Brief schicken — Angebot in 24 Stunden.