想要在朋友圈优雅地装文艺？用多模态embedding模型CLIP，轻松实现古诗词配图！通过将文本和图片映射到同一向量空间，CLIP能拉近语义相近的文本和图片距离，实现以文搜图、以图搜图。本文手把手教你搭建系统，从安装Milvus、加载模型到数据插入、索引创建，最后展示检索结果。无论是“枯藤老树昏鸦”还是“夕阳西下”，都能找到意境相符的图片，让你的朋友圈瞬间文艺感拉满！

阿里低调发布Qwen3-Embedding和Qwen3-Reranker两款新模型，支持119种语言，在多语言任务中表现优异。教程手把手教你用这两款模型搭建RAG系统，通过两阶段检索设计（召回+重排）平衡效率与精度。从环境准备、数据加载到结合重排序技术增强RAG，完整流程清晰易懂，适合开发者快速上手。

大模型生成的代码常因知识滞后而不适配最新技术，导致开发者需手动修改。为解决这一问题，Milvus推出了Code Helper MCP，结合RAG技术，自动获取最新文档，生成准确代码。该方案通过MCP架构和SSE传输，确保知识库实时更新，提升开发效率。未来计划集成更多IDE，联动文档管理平台，开源部分能力，持续优化工具链。

在RAG应用中，Late Chunking通过先向量化再分块的方式，有效保留了长文档的上下文信息，提升了召回内容的准确性。相比传统分块，Late Chunking生成的块Embedding编码了更多上下文，减少了LLM调用量，提高了查询相关度。实验表明，Late Chunking在Milvus中的查询效果显著优于传统方法，成为RAG应用的高效解决方案。

OpenAI与LangChain在AI agent开发理念上存在分歧，OpenAI侧重高级抽象加速开发，LangChain则强调精确控制确保可靠性。现代向量数据库如Milvus通过稀疏向量和密集向量协同工作，支持全文检索和语义搜索。本文详细解析了如何利用LangChain和Milvus构建RAG系统，展示了从文档加载、分割到向量化存储的完整流程，并提供了解决实际问题的经验总结。

MTEB和C-MTEB是评估文本嵌入模型性能的基准，涵盖多种任务、数据集和语言。BGE-M3、GTE、E5、Jina Embedding V3等模型在多语言、多功能和多粒度方面表现优异，支持长文本处理和高性能检索。这些模型通过创新技术如自知识蒸馏、LoRA适配器等，提升了文本嵌入的准确性和适用性，广泛应用于搜索、问答和大语言模型等领域。

滴滴的Grocery业务利用向量数据库技术改进生鲜电商搜索系统，通过Milvus和jina-embeddings-v3模型实现多语言支持和容错性。通过语义向量化，解决拼写错误和多语言搜索问题，提高搜索准确性和用户体验。上线后，向量搜索提升了搜索结果的转化效率，未来计划动态更新数据、个性化推荐和混合搜索，以进一步提升系统表现。Jina在多语言支持中表现优异，尤其在西语环境中效果突出。

从ES到Milvus再到Zilliz Cloud，RAG助力哈啰在大模型时代自我进化。

Build a GraphRAG Agent using Neo4j and Milvus. By combining the strengths of graph databases and vector search, this agent provides accurate and relevant answers to user queries.

本文介绍了Milvus的技术原理和对CLIP模型的应用。通过将Milvus和CLIP相结合，我们可以构建出一种强大的搜图引擎，使用户能够通过文本描述或者上传的图片进行准确的图像搜索。

全球每天产生的数据中，有80%是非结构化数据，常见的非结构化数据包括语音、图片、视频和语言文字等。通过深度学习等技术训练得到的模型对非结构化数据进行特征提取，将非结构化数据转换成一个多维的向量，这个过程称作Embedding。多维向量本质上是对非结构化数据在高位空间的映射，而向量检索就是对这些生成的向量进行检索，从中找到最相似的若干个向量。

非结构化检索本质是向量检索技术，其主要的应用领域如人脸识别、推荐系统、图片搜索、视频指纹、语音处理、自然语言处理、文件搜索等。随着AI技术的广泛应用，以及数据规模的不断增长，向量检索也逐渐成了AI技术链路中不可或缺的一环，更是对传统搜索技术的补充，并且具备多模态搜索的能力。

本篇主要讲针对低延时、高吞吐需求，对Milvus部署方式的一种定制方案。

AI产业的分工初步形成，包括底层基础设施（云服务商）、大型模型、Prompt Engineering平台和终端应用。随着AI产业变革，开发者可以充分利用大型语言模型（LLM）和Prompt Engineering来开发创新应用。

作为一家搜索引擎公司，我们会很倚赖 ES 帮忙处理包括文章召回，数据源划分，实体、标签管理等任务，而且都收到了不错的结果。

最近我们需要对行业知识库进行建模，其中可能会涉及到实体匹配、模糊搜索、向量搜索等多种召回和算分方式，最终我们选择了通过 ES 7.X （最终选择 7.10）里的新功能，Dense vector 帮忙一起完成这部分的需求。

最近用到了向量搜索，所以要对milvus进行压测。同时为了更加深入分析压测中遇到的问题，也对milvus的部分源码与文档进行了走读。其中遇到了一些问题与疑惑，我们也直接与milvus社区或开源贡献者沟通。

通过压测，我们发现某场景下存在milvus的性能提升不上去的问题，并给出基于该场景的解决方案，社区反馈给milvus官方。

以下为milvus的设计与压测中遇到的一些问题与解决或跟进方案。

当代智能监控平台不乏功能强大的产品，但由于涉及模块、组件多，产品容易臃肿，对私有化场景增加了一定的阻碍。于是，轻量化智能监控平台很有必要。