Milvus
Milvus 展示 8 种检索能力 — RAG 准确率瓶颈转向工程细节
Milvus 的实践文章把 RAG 知识库常见故障从模型问题，拉回到索引、过滤、分组和一致性等工程环节。我们注意到，检索能力正在成为企业部署 AI 知识库时更值得投入的基础设施，而非单纯比较模型参数。
返回首页
Embedding
找到 5 篇关于此标签的文章
大模型
AI 把字变成数字后才补「位置课」 — 它原本不懂「谁先谁后」
这周一篇 8 千字的技术教程在产品经理圈里被反复转发，把「AI 是怎么识字」讲透了：分两步，先把字查成一串数字（向量），再为「位置」单独补课。这两件事被绝大多数商业读者忽略，却是判断 AI 工具靠谱程度的起点。
RAG
企业 AI 知识库的隐藏成本：文档每次更新，都在重新烧一遍算力
我们注意到一个常被忽视的问题：企业花大钱建的 AI 知识库，文档每次更新，背后的索引都得重新处理。百万级文档全量重建要几小时，增量更新又容易新旧版本冲突。这才是 RAG 真正落地的坑。
Agent 开发
Agent 选型先拆任务再比参数 — 一篇工程笔记戳穿「哪个大模型最强」
一位 Java 程序员被迫转 Agent，第一个问题就跑偏了。当下 Agent 不是「一个最强大脑」就能跑，而是生成、Embedding、Rerank、分类四种模型各司其职 — 这比追 benchmark 更省成本，也更接近落地现实。
Token
一篇技术科普讲清 Token 与 Embedding，但更重要的是别再把大模型当黑盒
这篇文章没有发布新产品，而是把大模型“如何读文字”拆成 Token（把文本切成模型可识别的片段）和 Embedding（把片段变成有语义的向量）两步。值得关心的是，企业和个人如果连这层基础都不懂，后续谈成本、效果和落地，判断很容易失真。