向量数据库

Weaviate 1.38 新增 Boost API，通过查询时重新排序解决硬过滤条件过严问题，提升搜索结果相关性。

MLPerf推出首个端到端RAG推理基准，覆盖向量数据库构建与多跳问答流程，揭示多模型协作优化空间。

Weaviate的Query Agent现在在搜索前自动探索数据，提升过滤和搜索效率，无需手动配置。

Milvus Snapshots通过轻量级快照机制解决向量数据库升级和数据回填的恢复痛点，避免全量备份开销。

文章揭示了2026年记忆系统设计的五大误区，强调持久化、状态管理与更新机制的重要性。

文章揭示了2026年记忆系统设计中的五大误区，强调持久化、更新机制和状态管理的重要性。

Weaviate官方博客分享了大规模数据导入和向量化实践，重点介绍服务器端批处理、错误处理及媒体处理策略，解决速率限制和批量失败问题。

混合架构是代理检索的最佳选择，结合向量数据库和精确搜索工具以实现高效与精准。

This article is a guide on how to transition from simple RAG (Retrieval-Augmented Generation) prototypes to production-grade systems. It emphasizes the challenges faced in scaling, debugging, and security and provides a comprehensive course that covers the entire RAG pipeline from vector database optimization and observability to advanced agentic and multimodal architectures. Through this course, readers will learn how to ensure that their AI applications are robust, secure, and ready for deploy

Milvus 提出了一种无需图数据库即可进行图遍历的方法，通过向量图 RAG，将知识图谱三元组嵌入 Milvus 向量数据库中，实现高效查询与子图扩展，适用于多跳推理任务。

Milvus向量数据库助力越南本土搜索引擎Coccoc实现国家级AI搜索，但技术细节缺失。