这个思想其实是很好的，不局限于这个工具，我们写这种执行逻辑的时候，都可以想到，这种网络请求式的操作，都可以强制要求返回一个确认操作，即一个 write 操作，一个 read 操作，进行结果校验，这比单独写个 query_spreadjs 的工具再去校验一次，不就省了很多 token, 请求的时间也省下了吗.当然，MCP 也有其劣势，例如，提供工具数量太多，AI 会陷入混乱，命名不标准，导致 AI

这个结论和标量索引实践一致，即通过建立高效索引，“以空间换时间”，可以大大降低计算量，提高检索效率。Milvus 支持多种索引方式，一般来说浮点索引（即对稠密向量进行索引）的使用场景较多，适用于大规模数据的语义检索，二进制索引和稀疏索引适用于数据集较小的情况，可以保证较高的召回率。在 store_conf 的配置中，存储后端和索引后端是独立的两部分，但是如果存储类型选择 milvus 的情况下，由

在上面的代码中，先实例化了一个 Document 对象，然后通过该 Document 实例化对象进行 Index 组件的注册，注册时需要指定一个字符串类型的 key，即注册 index 的名字，这里是 “trie_tree”，然后是定义好的类 TrieTreeIndex， 最后指定需要的初始化参数，也就是自定义 Index 类的 init 方法需要接收的参数。向量数据库早已把这些高性能的向量索引，

OpenSearch 的出现，是开源社区的一次 “自救”。它不仅延续了 Elasticsearch 的核心功能，还代表了另一种治理模式：由云厂商和社区共同维护，保证了开源协议的延续。在搜索技术的版图里，Elasticsearch 与 OpenSearch 的分叉，注定会成为一个重要的历史节点。未来，两者可能会继续竞争，也可能各自发展出独特的生态。🚀下期预告下一篇我们将介绍 OpenSearch

动手实践之前，先来简单介绍下你画我猜 AI 版的玩法，它和普通版本你画我猜的区别在于：玩家根据提示词进行涂鸦，由 AI 来预测玩家画的词是什么，如果 AI 顺利猜对玩家画的词，则玩家得分。例如，提示词是 "长城"，则玩家需要通过画板手绘一个长城，尽量画的像一些，让 AI 猜出正确答案就能得分。了解了基础玩法之后，接下来正片开始，详细介绍如何从零到一开始实现它。我们提供了简化版的live demo，

有些模型（如 OpenAI 的 text-embedding-ada-002，支持一次读取 8192 个词元）和 Cohere 的嵌入模型（支持一次读取 4096 个词元）则能处理更长的文本。与使用静态向量表示每个词元或单词不同，语言模型会动态地生成上下文关联的词嵌入 ------ 即根据不同的语境，用不同的向量来表征单词 / 句子 / 文本块。：嵌入将词语、句子或文档转化为向量（数字序列），并使

有些模型（如 OpenAI 的 text-embedding-ada-002，支持一次读取 8192 个词元）和 Cohere 的嵌入模型（支持一次读取 4096 个词元）则能处理更长的文本。与使用静态向量表示每个词元或单词不同，语言模型会动态地生成上下文关联的词嵌入 ------ 即根据不同的语境，用不同的向量来表征单词 / 句子 / 文本块。：嵌入将词语、句子或文档转化为向量（数字序列），并使

这个思想其实是很好的，不局限于这个工具，我们写这种执行逻辑的时候，都可以想到，这种网络请求式的操作，都可以强制要求返回一个确认操作，即一个 write 操作，一个 read 操作，进行结果校验，这比单独写个 query_spreadjs 的工具再去校验一次，不就省了很多 token, 请求的时间也省下了吗.当然，MCP 也有其劣势，例如，提供工具数量太多，AI 会陷入混乱，命名不标准，导致 AI

例如，搭建一个新系统，想复用现有系统的权限体系和视觉规范，那参照官方文档，把现有系统权限设计的相关代码、视觉规范，制作成 skill.MD 文件，就可以复用，不需要重新设计和反复调试了。于是，开发者工具链的演进进入了深水区。随着行业的快速发展，各类基础开发框架也在持续演进，逐步支持或集成了检索、检索增强生成 RAG、Memory、工具、评估、可观测、AI 网关等能力，并提供了单智能体、工作流、多智