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-search
用于LangChain深度智能体的基于MongoDB的虚拟文件系统
专为 LangChain Deep Agents 设计的基于 MongoDB 的虚拟文件系统：对象存储中的字节数据，可通过混合 grep、排名融合、分块及同步功能在 Atlas 中进行搜索。
阅读约 8 分钟从原型到生产级RAG：混合搜索、智能体与评估机制。
.NET环境中生产级RAG的参考架构：分块处理、混合检索与图检索、重排序、查询规划、类型化输出以及持续评估。
阅读约 8 分钟利用ai_extract和ai_prep_search为Databricks RAG实现元数据过滤。
将ai_parse_document、ai_extract v2.1和ai_prep_search整合在一起，使每个数据块都包含结构化元数据，从而让向量搜索在按相似度排序之前进行过滤。
阅读约 7 分钟基于Firebase、Vertex AI及Firestore Vectors的实用RAG架构
结合 Vertex AI 嵌入模型与 Firestore 向量搜索的 Firebase RAG：批量处理、元数据过滤、租户隔离、基于事实的提示词、缓存机制及性能指标。
阅读约 10 分钟为什么RAG仍会给出错误答案：混合搜索、重排与Recall@K机制
清洁的文本块并不能保证得到优质答案。了解向量检索的缺陷，以及融合技术、交叉编码器重排器、HyDE和Recall@K指标是如何解决这些问题的。
阅读约 6 分钟大规模混合图像搜索：SigLIP、SPLADE、YOLOv8与Gemini Captions
设计一种可处理百万张图片的搜索系统，该系统将密集嵌入与稀疏嵌入相结合，并结合物体检测、实体识别、安全搜索以及由大语言模型生成的描述功能。
阅读约 6 分钟RAG如何让大语言模型使用您的私有数据：分块、向量与提示词
通过一个简单的 Node.js 示例、三种常见的故障模式以及 RAG 与微调的对比表格，全面了解从数据获取到查询的检索增强生成流程。
阅读约 8 分钟基于 Python、Qdrant、fastembed 和 Gemini 的本地 RAG 流水线
一个用 Python 实现的小型 RAG 流程：将本地文档分割成块，使用 fastembed 在离线环境下嵌入这些文档，将向量存储在 Qdrant 中，最后通过命令行界面利用 Gemini 回答问题。
阅读约 6 分钟生产环境RAG中的十种隐蔽检索缺陷，以及每种缺陷的修复方法。
从块大小与重叠度到混合搜索、RRF、重排序、嵌入模型选择及置信度评估：导致错误RAG答案的十种检索错误及其解决方案。
阅读约 16 分钟