Milvus 展示了 8 种向量检索用法，文章给出的判断很明确：RAG 回答不准，问题未必出在 Embedding（把文字转成向量表示的模型），更可能来自检索配置与数据可见性。这个判断值得关心，因为它把 AI 项目从“模型选型”拉回了更具体的工程环节。

这是什么

Milvus 是用于存储和检索向量数据的开源数据库，常见于 RAG 知识库和 Agent（能调用工具、规划步骤并执行任务的 AI 系统）的数据层。所谓 RAG，是先检索企业资料，再让模型依据资料回答。

文章覆盖相似度搜索、标量过滤、分组检索、混合检索等 8 种方式，并给出 HNSW 图索引、余弦相似度、数据加载与 Strong 一致性等实践配置。它还强调，新写入的数据可能暂时查不到，因为默认的一致性级别并不承诺立即可见。

行业怎么看

我们认为，这篇文章的实际价值不在于又介绍了一套 API，而在于提醒团队：模型能力相近时，检索策略仍可能造成明显不同的回答质量。数据过滤是否准确、分组是否合理、索引是否完成，通常比盲目更换模型更能解释“答非所问”。

但这套教程不能直接等同于生产方案。示例仅包含 20 条随机数据，HNSW 的参数也按实验环境设置；真实知识库还要处理权限隔离、数据更新、召回率与延迟、结果重排等问题。另一个风险是，过度增加检索类型会拉高系统复杂度，团队若没有评测集和日志体系，8 种方法未必会自动带来更好的结果。

对普通人的影响

对企业 IT：知识库项目的预算可能从更大的模型，转移到数据治理、检索测试与运行监控。选型时，数据库是否便于接入现有权限和审计流程，会比演示效果更关键。

对个人职场：企业知识助手会更常被要求回答“有来源、可追溯”的问题。使用者也会逐步需要判断答案是来自实时检索，还是模型凭已有信息生成。

对消费市场：客服、购物助手和内容推荐会变得更依赖多层检索，而非只比较模型参数。消费者感受到的变化将是回答更贴近具体资料，但系统维护成本与出错场景也会更复杂。