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-database
质疑智能体堆栈：向量存储、超图与编码任务
三种大型智能体堆栈未能识别真正瓶颈的情况：基于文件的智能体内存优于向量存储、超图RAG以及那些所谓的高级方案。
阅读约 12 分钟LlamaIndex Plus LangGraph：RAG智能体的简洁架构方案
如何使用 LlamaIndex 构建知识库，并将其作为工具提供给 LangGraph 智能体使用，同时介绍持久化存储、Chroma 以及仅检索模式的相关内容。
阅读约 14 分钟选择RAG架构：朴素型、高级型、CRAG、GraphRAG、智能代理型
对六种RAG架构进行实用对比，分析其优缺点及应用场景，同时提供四步决策路径以及RAG不适用的情况。
阅读约 10 分钟Milvus上的高级RAG技术：混合搜索、HyDE、查询重写与重排序。
逐步构建Milvus RAG流程：密集向量与BM25向量、RRF混合搜索、元数据过滤、查询重写、HyDE、分解与交叉编码器重排序。
阅读约 18 分钟基于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 分钟基于文档树进行推理而非搜索向量
PageIndex构建了分层索引，让大语言模型能够直接导航其中，无需经过分块处理和嵌入步骤。其工作原理、在FinanceBench测试中的表现以及适用场景。
阅读约 10 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 分钟将RAG从Pinecone迁移到Postgres pgvector：六个月后的情况。
将RAG从Pinecone迁移到Postgres pgvector，六个月后的情况：900万个向量，实际成本、延迟及召回率数据，哪些方面变差了，以及何时适合使用pgvector。
阅读约 7 分钟以Turbopuffer为例，评估超越ANN召回率的RAG检索效果。
即使使用快速的向量索引，也仍可能找不到答案。了解Turbopuffer的存储权衡、混合BM25与向量搜索技术，以及如何通过黄金集来衡量实际的召回率。
阅读约 7 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。