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：semantic-search
基于MCP服务器且背后连接Pinecone向量数据库的语义搜索服务
一种可重复使用的语义搜索服务：将PDF文件分割成小块，将嵌入向量存储在Pinecone向量数据库中，然后让任何智能体通过FastMCP服务器查询这些数据。
阅读约 7 分钟RAG的字段映射：从基本原理到实际应用中的故障问题
两条管线、三个步骤以及一系列有名称的故障：检索增强生成的工作原理、其失效点，以及哪些解决方案能解决相应问题。
阅读约 7 分钟基于Kubernetes和Qdrant设计可移植的多租户语义搜索系统。
语义搜索平台如何利用Kubernetes实现可移植性及租户感知路由，从而确保其向量数据库可被替换且工作负载相互隔离。
阅读约 6 分钟作为坐标的含义：从嵌入模型到向量数据库与RAG
用四句简短的话，以狗、猫和巴黎为例解释嵌入、余弦相似度、向量数据库以及RAG循环，从而提升语义搜索的点击率。
阅读约 11 分钟使用pgvector和Node.js在PostgreSQL中实现语义搜索，无需大型语言模型
使用pgvector和Node.js在PostgreSQL中实现语义搜索，无需大型语言模型：MiniLM嵌入、分块处理、IVFFlat索引、距离运算符以及如何读取得分。
阅读约 8 分钟超越余弦相似度：五种RAG检索技术的对比分析
通过代码讲解余弦相似度、BM25、混合RRF、交叉编码器重排序及MMR，分析其优缺点，并提供一种以查询优先的方式来确定RAG需要哪种检索技术。
阅读约 10 分钟当RAG系统未返回任何结果时，如何排查空检索问题。
逐步调试、最终无结果返回的RAG系统：数据摄取、分数阈值、过滤器、查询重写、混合搜索、重新排序及备用方案。
阅读约 9 分钟使用 pgvector 和 .NET 在 PostgreSQL 中实现语义搜索：实用配置指南
将嵌入向量存储在关系数据旁边，构建HNSW或IVFFlat索引，对混合排名进行过滤与融合，从而判断pgvector是否足以满足您的应用需求。
阅读约 9 分钟实用笔记：向量搜索、语义搜索与RAG：人工智能如何找到目标信息
《实用笔记》操作指南：向量搜索、语义搜索与RAG——人工智能如何帮助采用该模式的团队查找合同、检查项及可直接使用的代码片段。
阅读约 9 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。