tag

Embedding

共 5 篇文章。

全部文章 Go Golang Godot Tutorial Rust SaaS Rust Tutors Lua Prd 游戏客户端 Long Term Novel Writing Experience Spore Trilogy Creative Writing Notes 孢子三部曲孢子三部曲创作手记回顾

redis

Redis 向量检索实战：RediSearch、HNSW 与 Embedding 管道集成

Redis 向量检索实战：RediSearch 与 Redis Stack、向量索引（HNSW/FLAT）、向量相似度搜索（余弦/内积/L2）、与 Embedding 管道集成（OpenAI/本地模型）、向量+标签过滤、实时推荐/去重应用、性能与规模、与其他向量库对比

2026-09-279 分钟阅读

Redis 向量检索 RediSearch

向量数据库选型与检索优化：从 ANN 索引到生产运维

向量数据库是 RAG、语义搜索与推荐系统的核心基础设施，选型与调优直接决定召回率、延迟与成本。本文系统讲解向量检索原理与 ANN 算法（HNSW/IVF/PQ）、Milvus/Qdrant/Pinecone/pgvector/Weaviate 等主流方案对比、索引与量化参数调优、标量向量混合过滤、Embedding 模型选型、召回率与延迟权衡、容量规划与生产运维的完整方法论。

2026-09-279 分钟阅读

向量数据库向量检索 HNSW

LLM

LLM 语义缓存与模型路由：成本治理的两大杠杆

LLM API 调用既慢又贵：单次调用延迟数百毫秒、成本随 token 线性增长，高频请求的重复计算纯粹是浪费。语义缓存与模型路由是控制 LLM 成本与延迟的两大杠杆——前者让"相似的问题"复用答案，后者让"简单的问题"用便宜模型。但二者都面临同一个陷阱：省钱 …

2026-09-2610 分钟阅读

llm semantic-cache model-routing

LLM

Embedding 与 Reranker 深度调优：检索质量的决定性引擎

RAG 系统的质量上限由检索器决定：检索不到关键文档，再强的 LLM 也只能基于错误或残缺的信息作答。而检索质量的核心引擎是 Embedding（召回）+ Reranker（精排）的两段式架构——Embedding 用极快的向量检索从百万文档中捞出 Top-100 候选，Reranker 再用精确 …

2026-09-2610 分钟阅读

embedding reranker retrieval

LLM

Agent 记忆系统实战：从上下文窗口到长期记忆的持久化架构

LLM 本身没有记忆——每次调用都从空白上下文开始。但真实的智能应用需要跨会话记住用户偏好、任务进度与历史事实。Agent 记忆系统正是为了解决"上下文是易失的、知识是永恒的"这一矛盾而生的工程领域。本指南从记忆的类型学出发，系统覆盖短期工作记忆、长期语义记忆、情景记忆与程序性记 …

2026-09-2617 分钟阅读

llm agent memory