向量检索是现代 AI 应用的核心技术，从语义搜索到推荐系统，从图像识别到多模态检索。本文深入解析三种主要向量表示——稀疏向量、密集向量和二进制向量，详细介绍它们在 Milvus 向量数据库中的实现、索引策略、性能权衡和最佳实践。通过理论分析与实战代码，帮助开发者选择最适合业务场景的向量类型和检索方案。

Agent Skills Marketplace (skillsmp.com) 是一个汇聚了超过 36 万个开源 Agent 技能的社区平台，为 Claude Code、OpenAI Codex CLI 和 ChatGPT 等 AI 编程助手提供统一的技能发现和安装入口。本文深入解析 SKILL.md 开放标准、技能市场架构、开发工作流以及实际应用场景，帮助开发者快速找到并创建高质量的 AI 技能

在向量数据库的世界里，大多数产品都在追求极致性能和大规模部署。Milvus 瞄准十亿级场景，Pinecone 主打托管服务，Qdrant 强调高性能。而 Chroma 走了一条不同的路：让向量搜索变得尽可能简单。它的理念是：开发者不应该花几天时间学习向量数据库，应该花几分钟就能跑起来。这个理念让它成为 AI 应用原型开发的首选。GitHub 上超过 9 万个项目使用 Chroma，每月下载量超过

2017 年，Facebook AI Research（FAIR）发布了一个名为 Faiss 的开源库。它的全称是 Facebook AI Similarity Search，目标是解决一个看似简单却极具挑战的问题：如何在十亿级向量中快速找到最相似的那些。这个问题的难度在于维度诅咒。当向量维度从几十增加到几百，传统的索引方法（如 KD 树）效果急剧下降。而现代深度学习模型产生的嵌入向量，维度通常在

2023 年，ChatGPT 的爆火让所有人意识到大语言模型的潜力。但真正构建 AI 应用的人很快发现，模型本身只是冰山一角。如何让模型"记住"知识、如何实现语义搜索、如何构建个性化推荐——这些问题的答案都指向同一个技术：向量数据库。

在大模型时代，Redis 摇身一变，成为了 AI 应用的实时上下文引擎。这篇文章将带你深入理解 Redis 的设计哲学、核心能力，以及它如何在 AI 应用开发中发挥关键作用。

SimPO (Simple Preference Optimization) 是 2024 年提出的一种更简单、更高效的偏好优化方法。SimPO 的核心创新在于：**无需参考模型，直接从偏好数据学习，同时引入长度归一化和目标奖励 margin**。这使得 SimPO 在保持高性能的同时，大幅降低了计算成本和实现复杂度。本文将深入剖析 SimPO 的原理、数学推导、实现细节，并通过实际代码示例展示

本文将系统介绍大模型微调的核心技术，包括全参数微调、迁移学习、指令微调、偏好对齐等，并通过实际代码示例，帮助读者掌握微调的最佳实践。

你是否经历过这样的痛苦：每次开启新的对话，AI 助手就忘记了之前讨论的所有内容；从 Cursor 切换到 Claude Code，所有上下文瞬间消失；新团队成员的 AI 从零开始，需要重新解释整个项目架构。Memorix 通过 MCP 协议为 AI 编程助手提供持久化记忆能力，支持 Cursor、Windsurf、Claude Code、Codex、Copilot、Kiro 等 8 大主流平台，彻

在 AI Agent 开发过程中，如何让模型获取实时、准确的网络信息一直是个难题。Tavily 作为专为 AI Agent 设计的网络搜索 API，提供了实时搜索、内容提取、深度研究和网页爬虫四大核心能力，帮助开发者在几秒内处理数千个网络查询，有效解决模型幻觉问题。本文将从使用者视角深入介绍 Tavily 的核心功能、实际应用场景以及最佳实践。