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。

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。

如何从浩瀚的知识库中搜索出我们想要的结果，本文将从算法模型和工程实现为你介绍有赞知识库检索匹配的实践方法。

在NLP中，QP被称作Query理解（QueryParser），简单来说就是从词法、句法、语义三个层面对query进行结构化解析。这里query从广义上来说涉及的任务比较多，最常见的就是搜索系统中输入的查询词，也可以是FAQ问答或阅读理解中的问句，又或者可以是人机对话中用户的聊天输入。

在有赞，QP系统专注对查询内容进行结构化解析，整合了有赞NLP能力，提供统一对外接口，与业务逻辑解耦。通过配置化快速满足业务接入需求，同时将算法能力插件化，并支持人工干预插件执行结果。

以精选搜索为例，当用户输入衣服时用户往往想要搜的是衣服类商品，而不是衣服架，衣服配饰等衣服周边用品。通过将衣服类目进行加权，将衣服类的商品排在靠前的位置，优化用户搜索体验。

本次跟大家分享的是哈啰搜索推荐一体化建设，包括以下几大部分：搜推算法介绍和模型沉淀、搜推一体化引擎和算法组件设计和搜推一体化算法在哈啰的应用。

图片检索在生活中应用广泛，常见的图片检索包括基于文本内容搜索和基于图片内容搜索。基于文本内容搜索图片是通过给图片打标签，然后通过搜索标签来实现对图片的搜索；而基于图片内容搜索即以图搜图，用户通过输入图片在海量的图片库中快速找到同款或者相似图片，这种搜索方式被广泛应用于电商、设计、媒体咨询、智能监控以及搜索引擎等热门领域。

本文基于Milvus和图片特征提取模型VGG，借助SQL快速搭建了一套以图搜图端到端解决方案，为本地化进行海量图片相似度量实施工作提供可能。

本次分享的主题是哈啰打造自动化增长算法闭环的实践，上篇主要介绍哈啰C端算法场景和挑战及哈啰主动增长算法。

关系链、互动和内容是互联网产品的核心要素。在云音乐社区，我们通过歌曲、歌单、直播等内容把用户与用户、用户与歌曲以及用户与主播等连接了起来，形成了一个大规模的图网络。

随着深度学习浪潮的兴起，embedding技术也随之快速发展。embedding自身表达能力的增强使得直接利用embedding生成推荐列表成了可行的选择。因此，利用embedding向量的相似性，将embedding作为推荐系统召回层的方案逐渐被推广开来。我们在了解了embedding生成的常用算法模型之余，对于推荐系统的实现而言，了解其工程化实践也非常重要，本文将介绍在线向量召回服务在爱奇艺的工程化实践。

本文根据贝壳找房资深工程师袁彬老师在2020年\x26quot;面向AI技术的工程架构实践\x26quot;大会上的演讲速记整理而成。

中国开源项目的雄起时刻到了吗？