01.背景混合搜索(Hybrid Search)作为RAG应用中Retrieve重要的一环，通常指的是将向量搜索与基于关键词的搜索（全文检索）相结合，并使用RRF算法合并、并重排两种不同检索的结果，最终来提高数据的召回率。全文检索与语义检索不是非此即彼的关系。我们需要同时兼顾语义理解和精确的关键字匹配。比如学术论文的写作中，用户不仅希望在搜索结果看到与搜索查询相关的概念，同时也希望保留查询中使用的

假设一个专家团队共同解决复杂问题。每位专家都拥有独特的技能，团队通过高效分配任务实现了前所未有的成功。这就是混合专家（Mixture-of-Experts，MoE）模型架构背后的基本思想，这种方法允许机器学习系统，特别是神经网络，高效扩展。MoE 不是让一个单一的神经网络处理所有任务，而是将工作分配给多个专门的“专家”，由一个门控网络决定针对每不同输入激活哪些专家。随着模型变得越来越大、越来越复杂

Milvus 是一款高性能、高度可扩展的开源向量数据库，能够存储、索引和搜索由非结构化数据转化而来的高维 Embedding 向量。Milvus 适用于构建现代 AI 应用，如检索增强生成（RAG）、语义搜索、多模态搜索、推荐系统和其他 ML 任务。但使 Milvus 更加强大的是其与 Kubernetes 的无缝集成。如果您是 Kubernetes 的爱好者，您就知道这个平台非常适合编排可扩展的

Z 星直击学术前沿

开工第一个月，相信大家都在忙着做工作规划，做立项，争取HC，抢预算。毕竟过了一个被deepseek冠名的春节，各行各业都开启了新一轮的大模型落地需求。但大模型如何结合业务？RAG如何落地？非结构化数据如何治理？还有，架构盲区如何破？选型捷径哪里找？部署深坑怎么躲？老板要人效比提升一倍，财务批的预算却直接减半。问题一个接一个，开工才一月，立项方案已经改到第8版。别担心，别人还在踩坑，打开本条推送的你

在Zilliz最近主办的柏林非结构化数据Meetup上，海外旅游规划平台GetYourGuide的机器学习工程师Meghna Satish分享了他们是如何使用LLM+向量数据库，来构建改善客户体验并重塑旅游服务的经验与思路，以及如何解决大模型幻觉等问题。01.GYG如何使用LLM改善服务1.1 内容翻译和本地化GYG对LLM的主要应用之一是内容翻译和本地化。因为LLM能打破语言障碍，实时翻译文章、

引言向量数据库是人工智能和机器学习应用中管理和查询大规模非结构化数据的首选工具。随着数据的增长，组织需要高效、可扩展且用户友好的向量数据库解决方案。Milvus 是一款备受欢迎的开源向量数据库。Zilliz Cloud提供全托管的 Milvus 向量数据库服务，有着众多优势，能够为希望提升向量数据库能力的组织提供助力。本文将介绍从开源 Milvus 迁移至 Zilliz Cloud 的五大理由。我

Milvus 是一款高性能、高度可扩展的开源向量数据库，能够存储、索引和搜索由非结构化数据转化而来的高维 Embedding 向量。Milvus 适用于构建现代 AI 应用，如检索增强生成（RAG）、语义搜索、多模态搜索、推荐系统和其他 ML 任务。但使 Milvus 更加强大的是其与 Kubernetes 的无缝集成。如果您是 Kubernetes 的爱好者，您就知道这个平台非常适合编排可扩展的

01.RAG 简介与 RAG 面临的挑战检索增强生成（Retrieval Augmented Generation，RAG）是一种连接外部数据源以增强大语言模型（LLM）输出质量的技术。这种技术帮助 LLM 访问私有数据或特定领域的数据，并解决幻觉问题。因此，RAG 已被广泛用于许多通用的生成式 AI（GenAI）应用中，如 AI 聊天机器人和推荐系统。一个基本的 RAG 通常集成了一个向量数据库

本系列文章介绍在和社区小伙伴们交流的过程中，我们发现大家最关心的问题从来不是某个具体的功能如何使用，而是面对一个具体的实战场景时，如何选择合适的向量数据库解决方案或最优的功能组合。在 “Milvus 向量数据库进阶” 这个系列文章中，我们会聚焦回答这一类问题，如 “在 AI 应用开发的不同阶段，向量数据库应该如何选型”，“如何正确的构建 RAG 多租系统” 等。虽然这个系列名为进阶，但内容同时适用