工程笔记
写给真正
交付技术栈的人
关于 React、Node.js、TypeScript 与 AI 的文章。有译文正文时显示译文。没有时显示英文，并注明这一点。
标签：Vector Databases
一种检索器，三种后端：将NumPy搜索功能移植到Chroma、FAISS和Pinecone
将手工实现的NumPy余弦检索器移植到Chroma、FAISS和Pinecone中，了解索引、元数据过滤及持久化功能的作用，以及会破坏相关性的错误。
阅读约 11 分钟向量数据库的工作原理：嵌入、向量搜索与人类记忆。
基于内存的向量搜索思维模型：在RAG的向量数据库中，嵌入、相似度、最近邻索引及元数据过滤器是如何工作的。
阅读约 9 分钟优化HNSW索引并扩展向量搜索以用于生产环境中的RAG系统
了解 HNSW 的 M 和 ef 参数如何权衡召回率、延迟和内存使用，学习如何在 Chroma 中设置这些参数，以及何时通过垂直扩展或分片的方式来扩展向量数据库。
阅读约 4 分钟向量数据库的运作原理：从嵌入模型到混合搜索
解释了嵌入如何编码含义、相似性搜索与索引的扩展方式，以及混合搜索和向量数据库何时真正适用于企业级人工智能系统。
阅读约 8 分钟面向高吞吐量语义搜索的向量数据库性能评测
学习一种实用的 Node.js 和 Python 方法，用于在真实负载条件下对向量数据库进行基准测试，从而为合理的架构设计及扩展决策提供依据。
阅读约 14 分钟为何在当今的AI智能体架构中，简单方案更胜复杂设计
本文探讨了2024年针对向量数据库、超图内存以及调度复杂性的三种观点，表明更简单的系统往往能优于复杂的智能体架构。
阅读约 15 分钟向量数据库详解：RAG与AI搜索背后的技术引擎
了解向量数据库如何将文本转换为嵌入向量，为语义搜索和RAG流程提供支持，并推动推荐系统等实际人工智能应用的发展。
阅读约 7 分钟了解人工智能记忆：上下文、嵌入向量、RAG与模型权重详解
本文详细阐述了人工智能系统究竟是如何存储信息的，涵盖了上下文窗口、嵌入向量、向量数据库、RAG以及模型参数等内容。
阅读约 14 分钟
常见问题
关于这些文章
是。每篇都是为本站准备的英文原创改写。结构与代码跟随来源；正文重写并做过重合检查。
英文是来源。只有存在该语言的正文译文时才显示其他语言。缺失或空白的译文仍是英文，包括在本地化网址上。
草稿经编辑后进入发布队列。站点导入只收录新的或有变更的 slug，不会重复添加。
示例仅供说明。上线前请核对技术栈与许可。若需交付，请发来简报。