登录社区云，与社区用户共同成长
邀请您加入社区
第一次系统评测了PEFT方法在强化学习中的表现。停用标准LoRA，改用结构变体：DoRA、MiSS、AdaLoRA在RLVR场景下明显更强，DoRA甚至能超越全参数微调。如果你还在用标准LoRA训练强化学习模型，那真的该升级工具箱了。远离SVD初始化的坑：PiSSA和MiLoRA在强化学习中会翻车，原因是它们和RLVR的"非主成分更新"特性存在根本性冲突。如果想优化初始化，学LoRA+调学习率就好
做 RAG 的团队，基本都会在多轮对话上吃过亏。前几轮还表现不错，到了第四、五轮，AI 开始重复自己的历史回答内容。比如用户追问细节，系统把已经给过的段落又搜了一遍，换个说法再输出一遍。
本文探讨了大模型RAG（检索增强生成）工程化落地中的性能瓶颈问题，提出了一套基于Celery + RabbitMQ + asyncio的混合异步流水线解决方案。该方案通过RabbitMQ持久化任务、Celery编排任务流、asyncio实现单机高并发，有效解决了文档解析与向量化处理的效率问题。文章详细介绍了架构设计思路、核心代码实现，并总结了生产环境中的常见问题及应对策略，如协程冲突、MQ消息过大
本文介绍了一个基于LangChain、RAG和LoRA技术的知识库问答客服系统"KB-CustomerService"。该系统采用Qwen2.5-3B-Instruct作为基座模型，在4090 GPU环境下部署，主要功能包括：1）通过混合检索（Dense+BM25+RRF）从企业知识库获取信息；2）使用LoRA进行轻量级微调；3）利用Cross-Encoder提高答案相关性。文
这篇文章想讨论的是编程 Agent（Coding Agent）和 Agent Harness 的整体设计：它们是什么、如何运作，以及各个部分在实践中是怎样组合起来的。
任何工具只要实现了 MCP 协议，就能被任何支持 MCP 的客户端调用，无需关心对方是什么语言、什么平台。这实现了真正的解耦。效果：知识检索不再局限于特定系统，任何支持 MCP 的客户端（如 Claude Desktop、IDE 插件）都能直接调用企业的知识库。发现慢：工具藏在全是 if-else 的代码里，新人和模型都不知道系统到底有哪些能力。优势：模型自动判断何时查知识库，何时调业务 API，
在搭建具体的流程前，我们需要确定使用的开发框架和模型。
摘要： pgvector和Milvus是两种主流的向量数据库方案，适用于不同场景。pgvector作为PostgreSQL扩展，部署简单、支持混合SQL查询，适合中小规模数据（≤500万条）及已有PostgreSQL生态的场景，但性能有限。Milvus是专为向量设计的分布式数据库，支持多索引、GPU加速和水平扩展，适合千万级以上的高性能AI应用，但运维复杂。选择时，小规模或强一致性需求推荐pgve
微调后，模型可以更准确地理解用户问题、将其进行分类，从而提高语义搜索结果的准确性和相关性，返回准确的结果。例如，大家可以使用 LangChain 的 Milvus 类，通过from_text方法存储文档的特征向量，然后调用similarity_search方法获取查询语句的相似向量（也就是在向量空间中找到距离最接近的文档向量），从而轻松实现语义搜索。LangChain 为 LLM 提供了标准化且易
Milvus 是一个开源的高性能向量数据库，专门为大规模向量搜索而设计。由 Zilliz 公司开发，Milvus 提供了专门优化的向量存储、索引和搜索功能，支持多种向量相似性计算方法。它是目前最受欢迎的开源向量数据库之一，广泛应用于人工智能、机器学习和大数据分析领域。
本文为 DevOps 监控实战技术底稿，完成 Milvus 2.3.x 向量库 Prometheus 监控采集与告警闭环落地；实战验证企业微信机器人 Webhook 告警中转方案生产缺陷，排查 Milvus 版本指标兼容、Grafana 看板配置问题，沉淀 DevOps 监控告警运维规范与避坑经验。
上周同组同学做了项目框架和向量数据库的搭建等工作，得到了简单的小程序前端界面，我则是进行了“安诊用药”ai助手的管理员端前后端的编写。接下来介绍管理员端的后端功能开发过程的思考和进度。
当前AI图像生成有个"老大难"问题：**既要保留多个特定人物的身份特征，又要让他们摆出各自不同的复杂姿势**。现有方法往往顾此失彼——要么人物"撞脸"（身份融合），要么动作扭曲（姿态变形）。
本文介绍了一个基于多层RAG（检索增强生成）架构的问答系统项目。该系统采用模块化设计，包含基础模块（配置管理、日志系统）、数据层（MySQL数据库、Redis缓存）、检索模块（BM25和混合检索）以及RAG核心模块（文档处理、向量存储、策略选择等）。 核心功能包括： 支持多种文档格式（PDF/Word/PPT等）的加载和OCR处理 中文文本递归切分和语义切分 混合检索策略（直接检索/HyDE/子查
承接【产品底稿 04】，记录商助慧 V1.1 关键里程碑：实现基于 Milvus 向量库的 RAG 文章仿写模块，打通「向量检索→多模型调度→SSE 流式输出」全链路，解决技术文章从 “入库” 到 “复用” 的闭环问题，真实呈现 RAG 落地初期效果与优化方向。
本文探讨了如何利用RAG技术构建多模态数字化记忆引擎CDAME，将沉睡的非结构化数据转化为可检索、可推理的知识资产。文章剖析了该系统的四层架构设计，重点介绍了语义路由调度、多模态预处理流水线等核心技术，以及混合检索优化和证据溯源机制。项目从校园场景出发，可扩展至企业知识库、个人数字孪生等应用领域，并提供了工程实践建议。该开源项目采用SpringBoot+Milvus等技术栈，致力于让人类知识在AI
嵌入式 etcd 与 Milvus 安装在同一个容器中，服务端口为。已管理员身份运行powershell，进入刚刚新建的文件夹。可以使用以下命令管理 Milvus 容器和存储的数据。通过网盘分享的文件：milvus_v2.5.5.tar。查看docker ps，milvus已经在运行了。因为dockerhub被墙的原因，可能会报错如下。Milvus 数据卷映射到当前文件夹中的。其配置文件被映射到当
由于文章篇幅有限，更多RAG----Agent与MCP资料+代码，也可在主页最新AI大模型应用开发学习资料免费领取。：Text Encoder（Transformer）：将文本→语义向量Image Encoder（ViT/ResNet）：将图像→视觉向量。：CLIP（Contrastive Language-Image Pre-training）在4亿图文对上训练，实现。：同一向量空间中，相似语义
本文介绍了一个基于Milvus、DashScope和OpenRouter构建的多模态检索与生成系统。该系统实现了跨模态统一语义检索与生成闭环，支持"文搜图"、"图搜文"等场景。核心功能包括：将文本、图像等异构数据映射到1024维向量空间；支持多种跨模态检索方式；利用Qwen-VL大模型生成自然语言回答。系统采用模块化设计，包含入库、查询和生成三个阶段，适用于
我们可以使用 Milvus 搭建多模态 RAG 应用，用于产品推荐系统。用户只需简单上传一张图片并输入文字描述，Google 的 MagicLens 多模态 Embedding 模型就会将图像和文本编码成一个多模态向量。然后，使用这个向量从 Milvus 向量数据库中找到最相似的亚马逊产品。???????? Milvus 魔法：图像搜索和智能购物！您是否曾经希望只需上传一张图片并简单描述你想要的东
BLIP既可以做内容理解，还可以做文本生成，是一个大一统的多模态预训练框架，并且提出了通过引导 caption 来去除噪声的方法。（理解＋生成）BLIP在各个下游任务上展现出了强大的性能，并且具有 zero-shot 的能力。
本文介绍了Milvus向量数据库的核心特性和部署方法。作为专为大规模向量搜索设计的开源数据库，Milvus具备云原生架构、海量数据处理和多场景适配优势。文章详细讲解了单机版部署步骤，包括环境准备、服务启动和验证方法，并解析了Collection、Index等核心组件的工作原理。通过图文多模态检索案例，展示了Milvus在AI应用中的实际价值，帮助开发者快速掌握这一生产级向量数据库工具。
链接：https://arxiv.org/abs/2407.02483v1。
RAG（检索增强生成）技术将检索系统与大语言模型结合，通过三阶段流程实现知识问答：1）数据准备阶段将文档分块、向量化并存储到数据库；2）在线检索阶段通过混合检索和重排序获取最相关文本片段；3）答案生成阶段通过结构化Prompt让大模型基于检索内容生成带引用的回答。该架构有效减少幻觉问题，支持知识更新，是目前大模型落地的主流方案。
docker升级到目前最新版。：docker 版本不兼容。
milvus
——milvus
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
全球具身智能开发者社区
AtomGit开源社区
DAMO开发者矩阵
AI硬件创业社区
魔珐星云开发社区
