标签：向量数据库

PixelRAG：用网页截图做检索增强，让模型“看图说话”
项目简介

PixelRAG 是伯克利 SkyLab / BAIR 团队开源的视觉检索增强生成框架。它把网页、PDF、图片渲染成截图块，再用视觉语言模型直接在“像素”上检索，从而绕过传统文本 RAG 的 HTML 解析问题，把表格、图表、版式、信息图原样保留给读者模型。仓库还附带一个已建好的 828 万维基百科页面视觉索引，以及免费的在线 API，真正做到了开箱即用。

安装要求和过程

环境要求
- Python 3.10+
- Linux（CUDA）或 macOS（Apple Silicon / MPS），CPU 亦可作为 fallback
- 可选：Playwright / CDP 用于网页渲染
- 可选：用于本地索引构建的 GPU，或直接使用 api.pixelrag.ai 线上服务
快速安装
```
# 1. 基础包：像素化截图工具 pixelshot
pip install pixelrag

# 2. 带向量化：用于本地构建 FAISS 索引
pip install 'pixelrag'

# 3. 完整流水线：source → ingest → embed → index
pip install 'pixelrag[index]'

# 4. 本地搜索 API 服务
pip install 'pixelrag[serve]'
```
如果想让 pixelshot 始终处在 PATH 里供 Claude 调用，官方推荐用 uv tool 或 pipx：
```
uv tool install pixelrag   # pipx install pixelrag
```
核心功能
1. 像素级文档渲染： 通过 pixelshot 把网页、PDF 转成截图块，保留文本 RAG 会丢失的视觉结构与版式。
2. 视觉语义检索： 基于 Qwen3-VL-Embedding-2B 微调后的嵌入模型，将页面图片映射到可检索向量空间。
3. 828 万维基百科预建索引： 官方已建好并托管了 api.pixelrag.ai，无需任何配置即可搜索，还支持“以图搜图”。
4. 本地自建索引： 通过 pixelrag index build 处理本地文档（网页 / PDF / 图片），再 pixelrag serve 启动 FastAPI 搜索服务。
5. Claude Code 插件： pixelbrowse skill 让 Claude 直接截图并阅读页面，告别原始 HTML。
传统文本RAG会丢失表格等视觉结构，PixelRAG通过截图块保留完整版式。

典型使用场景

场景 1：财报 / 论文中的表格问答

传统文本 RAG 把 PDF 表格拆成凌乱文字后，模型经常找不到数字。PixelRAG 直接截取表格区域截图，检索相关页并交给 VLM 读取，数字、单位、行列关系一目了然。

场景 2：Claude 浏览复杂网页

安装 pixelbrowse skill 后，Claude 能够对任意页面执行 /screenshot https://example.com，然后“看图”总结新闻、解读产品页或提取图表结论，而不再受限于 HTML 标签提取不全的问题。

场景 3：内部知识库可视化搜索

把企业内的产品手册、设计稿、UI 截图、架构图做成 PixelRAG 索引。用户上传一张截图或输入图片描述，即可召回相关视觉文档，适用于设计系统、运维监控面板、竞品分析资料库。

推荐理由

PixelRAG 给我最大的启发是：当大家都在卷“更好的 HTML 解析器”时，它直接换了一条赛道——让模型像人一样“看”网页。这不是炫技，而是切中了 RAG 的实际痛点：大量网页的表格、图表、公式和交互组件一旦转成纯文本就面目全非。配合已经训练好的视觉嵌入模型和 828 万维基百科索引，从实验到落地只需要几条命令。

对于 Claude / Cursor / Codex 等 Coding Agent 用户来说，pixelbrowse skill 是一个润物细无声的能力升级：它不需要 MCP server，也不依赖后端服务，只是让 Agent 多了一双“眼睛”。如果你正在做多模态知识库、网页问答或文档理解，PixelRAG 值得放进候选清单。

下载地址
- GitHub：https://github.com/StarTrail-org/PixelRAG
- 在线 Demo：https://pixelrag.ai
- API 文档：https://pixelrag.ai/docs
- 论文地址：https://arxiv.org/abs/2606.28344
—— 本文由 WorkBuddy 整理发布。
2026年8月1日
Claude Cookbooks：Anthropic 官方维护的 Claude 实战范例集（50K+ Stars）
Claude Cookbooks 是 Anthropic 官方在 GitHub 上开源维护的 Jupyter Notebook 范例集，已收获 50.4K+ Stars、5.9K+ Forks，MIT 许可证。它像一本持续更新的”Claude 实战菜谱”，用可以直接复制运行的代码片段，手把手教开发者把 Claude API 用到生产里——覆盖文本分类、RAG、工具调用、Agent SDK、Skills、多模态、扩展思考、第三方集成等几乎所有主流场景。

无论是刚接触 Claude API 的新手，还是要把 Claude 嵌入自家产品的资深工程师，都能在这里找到即拿即用的最佳实践。所有 Notebook 都用 Python 写成，但概念同样适用于任何支持 Claude API 的语言。

为什么需要它？

很多人第一次调用 Claude API 只能写出”问个问题拿个回答”的脚本——但生产里要面对的是：结构化输出、上下文管理、长文档解析、Agent 工作流、RAG 检索、工具调用循环、子智能体拆分…这些工程化能力的最佳范式，往往不是 API 文档里那几段示例能覆盖的。Cookbooks 正是 Anthropic 工程师团队把生产经验沉淀下来的”答案库”。

安装要求和过程

环境要求
- Python 3.10+（项目用 uv 管理依赖）
- Jupyter Lab / VS Code Jupyter 扩展
- 一个 Anthropic API Key（前往 anthropic.com 免费注册）
快速安装
```
# 1. 克隆仓库
git clone https://github.com/anthropics/claude-cookbooks.git
cd claude-cookbooks

# 2. 安装依赖（项目使用 uv，也可用 pip）
pip install -r requirements-dev.txt
# 或：uv sync

# 3. 配置密钥
cp .env.example .env
# 编辑 .env 填入你的 ANTHROPIC_API_KEY

# 4. 启动 Jupyter
jupyter lab
```
核心功能

1. 基础能力 Recipes

capabilities/ 目录里包含文本分类、RAG 检索增强、长文摘要、结构化 JSON 输出四大基础用法。每个 Recipe 都配了独立 Notebook，从最小调用示例一路演化到生产级实现。

2. 工具调用与函数集成

tool_use/ 演示了 Claude 如何调用外部工具——从最简单的计算器、SQL 查询，到完整的多步骤客服智能体。这是把 Claude 从”聊天机器人”升级成”可执行 Agent”的关键能力。

3. Claude Agent SDK

claude_agent_sdk/ 是新近加入的官方 Agent SDK 范例，示范如何用 Python SDK 构建可独立运行的智能体应用、调度工具、规划子任务。

4. Agent Skills 技能系统

skills/ 目录展示如何为 Claude 编写模块化技能——把专业能力封装成可复用的 Skills，让 Agent 在不同场景下按需调用。

5. 多模态能力

multimodal/ 覆盖图像理解、图表解读、表单/PDF 内容提取、视觉最佳实践等，配合 Claude 强大的视觉模型可直接处理扫描件、合同、PPT。

6. 扩展思考与设计模式

extended_thinking/ 与 patterns/ 深入推理模式、子智能体协作、提示词缓存、评估驱动开发（Eval-Driven Development）等高阶范式。

7. 第三方集成

third_party/ 给出Pinecone 向量数据库、Wikipedia、VoyageAI Embeddings等流行服务的对接范例，把 Claude 嵌入现有技术栈成本极低。

8. 微调与可观测性

finetuning/ 和 observability/ 提供模型微调与生产链路观测的端到端代码，是把 Claude 部署到线上服务的最后一块拼图。

典型使用场景

场景 1：快速搭建企业知识库 RAG

复制 capabilities/retrieval_augmented_generation 与 third_party/Pinecone 两个 Notebook，半天就能搭起一个基于 Pinecone + Claude 的企业知识问答系统。Notebook 里连如何切分文档、嵌入、检索、重排序、生成都一步步跑通。

场景 2：构建带工具调用的客服 Agent

参考 tool_use/customer_service_agent.ipynb 的代码结构，把你的订单查询 API、退款流程、商品库存接口注册成 Claude 可调用的工具，立即得到一个能回答”我的订单到哪了”的多轮 Agent。

场景 3：批量处理 PDF/扫描件

用 multimodal/ 里的 PDF 解析与表单提取 Recipe，配合 Claude 视觉模型，搭建合同关键条款抽取、发票识别、报告摘要等自动化工作流。

场景 4：评估驱动的提示词迭代

misc/building_evals.ipynb 给出用 Claude 自身来评估另一批 Claude 输出质量的工程范式——适合团队协作打磨生产级 Prompt，让提示词的优化变成可量化、可回归的过程。

推荐理由

用 Cookbooks 这半年，最大的感受是：它不是”玩具示例”，而是真正从生产里长出来的代码。
- 覆盖全面：从基础调用到 Agent SDK，从 RAG 到微调，几乎所有 Claude 应用方向都有现成 Recipe，避免重复造轮子。
- 持续更新：紧跟 Anthropic 的功能发布（比如 Claude 4 系列、扩展思考、Agent SDK、Skills 都是最近几个月加入的新章节）。
- 可读性极强：每个 Notebook 都是”一段说明 + 一段代码 + 一段输出”的节奏，能当教程读，也能当模板抄。
- 社区友好：MIT 许可，欢迎提 PR；CLAUDE.md 里甚至写了让 Claude 帮忙做贡献的指南（meta！）
- 企业可商用：MIT 协议允许商业使用，没有 Apache-2.0 那种专利条款的顾虑。
对国内开发者来说，唯一需要注意的是 Anthropic API 的访问渠道——可以走官方、AWS Bedrock、Vertex AI 或合规中转服务。模型本身支持中文，是 Claude 进军中文 AI 应用开发的官方”最佳实践手册”。

下载地址
- GitHub 仓库：https://github.com/anthropics/claude-cookbooks
- 官方 API 控制台：https://www.anthropic.com
- Claude API 文档：https://docs.claude.com
- Anthropic Discord 社区：https://www.anthropic.com/discord
- 配套免费课程：anthropics/courses
- 许可协议：MIT License
用 Cookbook 抄答案，把 Claude 真正用进生产——这可能是 2026 年最值得收藏的 AI 工程仓库之一。
2026年7月27日
MemPalace：57.7K Stars 的本地优先开源 AI 记忆系统，逐字存储 + 96.6% 检索召回，零 API 成本
项目简介

MemPalace 是一款本地优先（Local-first）的开源 AI 记忆系统：它把你与 AI 的对话历史、项目文档以”逐字原文”的方式存进一座结构化的”记忆宫殿”，再用语义搜索精准召回——在权威长期记忆基准 LongMemEval 上，纯本地检索（不调用任何 LLM、不需要任何 API Key）就拿下了 96.6% R@5 的成绩，号称”基准测试打得最透明的开源 AI 记忆系统”。项目 2026 年 4 月上线，短短三个多月即斩获 57.7K+ Stars，MIT 许可，完全免费。

与 Mem0、Zep 等”摘要式”记忆方案不同，MemPalace 的哲学是不摘要、不改写、不提炼——原文进、原文出。它借用”记忆宫殿”的记忆术概念组织索引：人物和项目是”侧厅（wings）”，主题是”房间（rooms）”，原始内容躺在”抽屉（drawers）”里，搜索可以按范围限定，而不是在一个扁平语料库里大海捞针。

安装要求和过程

环境要求：
- Python 3.9+
- 向量存储后端（默认内置 ChromaDB，零配置）
- 约 300 MB 磁盘空间用于本地嵌入模型（推荐多语言的 embeddinggemma-300m，支持 100+ 语言；也可选 30 MB 的英文版 all-MiniLM-L6-v2）
- 核心功能无需任何 API Key
快速安装（推荐 uv，隔离环境防依赖冲突）：
```
# 方式一：uv（推荐）
uv tool install mempalace
mempalace init ~/projects/myapp

# 方式二：pipx
pipx install mempalace

# 方式三：pip（虚拟环境内）
python -m venv .venv && source .venv/bin/activate
pip install mempalace
```
Docker 部署（可直接作为 MCP 服务器运行）：
```
docker build -t mempalace .
# MCP 服务器（stdio 模式，注意 -i 参数）
docker run -i --rm -v mempalace-data:/data mempalace
# 或直接跑 CLI 命令
docker run --rm -v mempalace-data:/data mempalace search "why GraphQL"
```
30 秒上手：
```
# 把项目文件"挖"进记忆宫殿
mempalace mine ~/projects/myapp
# 挖掘 Claude Code 历史会话
mempalace mine ~/.claude/projects/ --mode convos
# 语义搜索
mempalace search "当初为什么改用 GraphQL"
# 新会话开始时加载上下文
mempalace wake-up
```
核心功能
- 逐字原文存储 + 语义检索：不摘要、不改写，对话与文档按原文入库；LongMemEval 上纯语义检索 R@5 达 96.6%，混合管线（关键词加权 + 时间邻近加权）在留出集上达 98.4%，加 LLM 重排后 ≥99%——全部结果可用仓库内脚本复现。
- 可插拔存储后端：默认 ChromaDB 零配置开箱即用，另支持 SQLite（精确匹配）、Milvus、Qdrant、pgvector，一个环境变量即可切换，接口契约独立于任何单一厂商。
- 36 个 MCP 工具 + 时序知识图谱：内置 MCP 服务器覆盖宫殿读写、知识图谱操作（带有效期窗口的实体关系：添加/查询/失效/时间线）、跨侧厅导航和智能体日记，本地 SQLite 支撑。
- 自动保存钩子（Auto-save Hooks）：为 Claude Code、Codex CLI、Cursor IDE 提供钩子，定期保存并在上下文压缩前抢救现场——专治”Claude Code 会话 30 天过期”之痛。
- 彻底本地、彻底免费：嵌入模型本地运行，数据不出机器（除非你主动选择），MIT 许可，无任何付费墙。
典型使用场景

场景一：给 Claude Code / Cursor 装上”永久记忆”。AI 编程工具的会话记录会过期、上下文会被压缩，三周前”为什么放弃方案 A 改用方案 B”的讨论早已无处可寻。装上 MemPalace 的自动保存钩子后，每次对话都逐字入库，新会话里一句 mempalace wake-up 或通过 MCP 工具即可召回全部历史决策。

场景二：团队/个人的项目决策考古。把项目代码、文档、历史会话统统 mine 进宫殿，之后用自然语言问”当初为什么选 PostgreSQL 而不是 MongoDB”，直接命中当时的原始讨论原文——而不是某个 LLM 事后脑补的摘要。

场景三：隐私敏感环境下的 AI 记忆层。法务、医疗、金融等不能把数据传到云端的场景，MemPalace 全链路本地运行（嵌入模型本地、向量库本地、检索本地），配合 Ollama 等本地模型即可搭出完全离线的”有记忆的 AI 助手”。

推荐理由

AI 记忆赛道今年异常拥挤（Mem0、Zep、Supermemory、Letta……），MemPalace 能三个月冲到 57K Stars，我认为靠的是两个字：诚实。它是少数把基准测试方法论、每道题的原始结果文件全部提交到仓库、并且主动说明”最后 0.6% 是看着错题调出来的所以我们不宣传 100%”的项目——甚至拒绝与竞品做不对等的表格对比。这种工程品味在营销味浓重的 AI 开源圈里非常稀缺。

实际体验上，”逐字存储”这个反直觉的设计恰恰是最大亮点：摘要式记忆一旦摘错，信息就永久丢失；而 MemPalace 永远保留原文，检索层再怎么迭代都能吃到红利。加上零 API 成本、五种后端随意切换、36 个 MCP 工具即插即用，把它接进 Claude Code / Cursor 的成本极低。如果你只想给自己的 AI 工作流加一层”不会失忆”的保险，这是目前开箱体验最好的选择之一。唯一要提醒的是：官方明确警告有大量仿冒网站，请只从 GitHub、PyPI 和 mempalaceofficial.com 获取。

下载地址
- GitHub 仓库：https://github.com/MemPalace/mempalace
- 官方文档：https://mempalaceofficial.com
- PyPI：https://pypi.org/project/mempalace/
2026年7月27日

Zvec：阿里开源轻量级进程内向量数据库，一行 pip install 搞定十亿级向量检索

📌 项目简介

Zvec 是阿里巴巴开源的轻量级进程内向量数据库（In-process Vector Database）——无需启动独立服务，直接嵌入你的应用代码中运行。它以闪电般的速度完成数十亿级向量的相似性搜索，同时支持密集向量、稀疏向量、混合检索和全文搜索，是构建 RAG 应用、AI Agent 记忆系统和语义搜索引擎的理想底层引擎。

经过阿里巴巴集团内部生产环境验证，Zvec 在保持极简部署的同时提供了企业级的低延迟和高吞吐能力。

⚙️ 安装要求和过程

环境要求

操作系统：Linux（x86_64 / ARM64）、macOS（ARM64）、Windows（x86_64）
Python 版本：3.10 ~ 3.14（pip 安装方式）
Node.js / Go / Rust / Dart：均有官方 SDK 支持

快速安装（Python）

# 一行命令安装
pip install zvec

# 验证安装
python -c "import zvec; print('Zvec OK')"

一分钟上手示例

import zvec

# 定义集合 Schema
schema = zvec.CollectionSchema(
    name="example",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4),
)

# 创建集合
collection = zvec.create_and_open(path="./zvec_example", schema=schema)

# 插入文档
collection.insert([
    zvec.Doc(id="doc_1", vectors={"embedding": [0.1, 0.2, 0.3, 0.4]}),
    zvec.Doc(id="doc_2", vectors={"embedding": [0.2, 0.3, 0.4, 0.1]}),
])

# 向量相似度搜索
results = collection.query(
    zvec.Query(field_name="embedding", vector=[0.4, 0.3, 0.3, 0.1]),
    topk=10
)
print(results)

📦 其他语言 SDK

Node.js：npm install @zvec/zvec
Rust：zvec-rust
Go：zvec-go
Dart/Flutter：flutter pub add zvec

🔥 核心功能

极速检索 —— 十亿级向量毫秒级响应
基于 HNSW 等高效索引算法，在数十亿向量规模下仍能实现毫秒级延迟的相似度搜索。
密集 + 稀疏向量双模态支持
同时支持 Dense Vector（浮点密集向量）和 Sparse Vector（稀疏向量），适配不同 Embedding 模型输出格式。
原生全文搜索（FTS）
v0.5.0 新增！可为任意字符串字段附加 FTS 索引，支持自然语言或结构化表达式查询，无需外部搜索引擎。
混合检索（Hybrid Search）
单次 MultiQuery 融合向量相似度、全文搜索、标量过滤和多维度排序，返回精确结果。
DiskANN 磁盘索引
v0.5.0 新增！将大部分索引数据放在磁盘上，大幅降低大规模数据集的内存占用。
持久化存储（WAL 日志）
Write-Ahead Logging 保证崩溃安全——即使进程异常退出或断电，数据也绝不丢失。
多语言生态 + 可视化工具
官方提供 Python / Node.js / Go / Rust / Dart 五种 SDK，另有 Zvec Studio 图形化管理工具。

💡 典型使用场景

场景一：RAG 检索增强生成系统

将文档切片后的 Embedding 向量存入 Zvec，用户提问时先做语义检索召回相关片段，再送入 LLM 生成回答。Zvec 的本地化特性意味着零网络延迟、零外部依赖，特别适合隐私敏感的企业 RAG 场景。

场景二：AI Agent 长期记忆

为 AI Agent 构建持久化的记忆库——将用户交互、偏好、历史决策编码为向量存入 Zvec，Agent 启动时自动加载记忆上下文。WAL 持久化确保记忆永不丢失，混合检索支持按时间、主题、情感等多维度精准回忆。

场景三：边缘设备 / 本地优先语义搜索

作为进程内库嵌入到笔记本 App、IoT 设备或 CLI 工具中，实现离线语义搜索能力。无服务端依赖、资源占用极小，支持 ARM64 和 RISC-V 架构，从云端到边缘全覆盖。

✨ 推荐理由

用过不少向量数据库后，Zvec 的设计哲学让我印象深刻：“Just Works”——不需要配置服务器、不需要 Docker、不需要外部依赖。一个 pip install zvec 就能开始使用。

对比同类方案：

特性	Zvec	传统向量数据库
部署方式	一行 pip install	独立服务 + 配置集群
外部依赖	零依赖	Redis/Elasticsearch 等
全文搜索	内置 FTS	需额外集成 ES
混合检索	原生支持	需自行编排
适用场景	RAG / Agent / 本地应用	大规模分布式检索

v0.5.0 更是加入了全文搜索 + DiskANN + 多语言 SDK三大重磅功能，让 Zvec 从一个纯粹的向量数据库进化为全能型本地搜索引擎。对于正在搭建 RAG 系统、AI Agent 或需要本地语义搜索能力的开发者来说，Zvec 是目前最值得尝试的选择之一。

🔗 下载地址

GitHub 仓库：https://github.com/alibaba/zvec ⭐ 14,600+ Stars
官方网站：https://zvec.org（含完整文档与基准测试）
Python 包：PyPI – zvec （pip install zvec）
Node.js 包：@zvec/zvec
许可证：Apache-2.0

2026年7月10日

cognee：为AI智能体打造的开源记忆平台，跨会话持久记忆+自托管知识图谱，23K+Stars让AI真正拥有长期记忆
🧠 项目简介

Cognee 是为 AI 智能体打造的开源记忆平台，通过自托管知识图谱引擎，为智能体提供跨会话的持久长期记忆。它支持任意格式的数据摄入，构建可动态演进的知识图谱，让智能体能够基于完整上下文进行回忆、关联和行动。结合向量嵌入、图推理和认知科学基础的本体生成能力，Cognee 让文档既支持语义搜索，又能通过关系关联，且知识图谱会随知识积累动态演进。

📦 安装要求和过程

环境要求
- Python：3.10 ~ 3.14
- 可选：Docker（用于本地 MCP 服务或完整部署）
- LLM API Key：默认支持 OpenAI，也可对接其他 LLM 提供商
快速安装
```
# 使用 uv 安装（推荐）
uv pip install cognee

# 使用 pip 安装
pip install cognee

# 如需使用 Postgres 作为后端，安装对应依赖
pip install "cognee[postgres]"
```
环境配置
```
# 复制环境变量模板
cp .env.template .env

# 配置 LLM API Key（默认 OpenAI）
echo 'LLM_API_KEY="your_openai_api_key"' > .env
```
Docker 一键部署
```
# 克隆仓库并配置
git clone https://github.com/topoteretes/cognee.git
cd cognee
cp .env.template .env

# 启动 API 服务（默认端口 8000）
docker compose up

# 同时启动前端（端口 3000）
docker compose --profile ui up

# 启动 MCP 服务（端口 8001）
docker compose --profile mcp up
```
⭐ 核心功能

1. 跨会话持久记忆

AI 智能体的记忆不会随会话结束而丢失。Cognee 提供两种存储模式：永久存储（直接写入知识图谱，执行完整处理流程）和会话存储（先写入快速缓存，后台异步同步到知识图谱）。

2. 自托管知识图谱引擎

知识关系可动态演进，随知识积累自动更新。Cognee 1.0 支持在单个 Postgres 实例上运行完整记忆层（关系存储 + 向量嵌入 + 会话缓存 + 元数据存储），无需维护多组件栈，性能比分离式图+向量方案快约 10%。

3. 多后端支持

默认使用 Postgres 全栈运行记忆层，也可按需切换 Neo4j、Neptune、Redis、Qdrant 等专用后端。灵活适配不同规模的部署需求。

4. 多语言官方客户端

除 Python 主客户端外，还提供 Rust（cognee-rs，可通过 cargo add cognee 安装）和 TypeScript（@cognee/cognee-ts，可通过 npm install 安装）官方客户端，覆盖更多开发场景。

5. 多智能体工具集成

支持 Claude Code、OpenClaw 等智能体工具集成，也支持对接 Cognee Cloud 托管服务。提供 MCP 服务器原生支持，可无缝接入 AI 编程助手。

🚀 典型使用场景
场景一：客服智能体

目标：结合用户的金融、客服、产品历史等个人数据，解决客户问题。

示例交互：
- 用户提问：”我的发票有问题，而且问题一直没解决”
- 智能体响应：”我找到 2 个上个月解决的类似账单问题，原因是支付和发票系统同步延迟，我们已经在你的账户上应用了修复方案。”
底层逻辑：统一整合企业多渠道数据源 → 重建交互时间线 → 检索相似已解决案例 → 匹配最优解决方案 → 执行后更新记忆。
场景二：专家知识蒸馏（SQL 助手）

目标：帮助初级分析师复用专家的查询、模式和推理逻辑，完成数据分析任务。

示例交互：
- 用户提问：”我该怎么为这个数据集计算客户留存率？”
- 智能体响应：”这是高级分析师解决类似留存查询的方法，Cognee 将你的数据表结构和已知结构做了匹配，把专家的逻辑适配到了你的数据集上。”
底层逻辑：提取并存储专家 SQL 查询 → 将当前数据表结构映射到已识别的结构 → 检索相似任务和成功实现方案 → 将专家推理逻辑适配到当前上下文。
💡 推荐理由
Cognee 解决了 AI 智能体领域一个根本性问题：如何让智能体拥有持久、可演进的记忆。在大模型应用从”单次对话”走向”长期协作”的今天，记忆层已成为 AI 智能体不可或缺的基础设施。

最打动我的几点：
- Single Postgres 架构：Cognee 1.0 的巧妙设计让整个记忆层运行在单个 Postgres 实例上，极大降低了运维复杂度，同时性能不输专用分离方案。
- 动态演进的知识图谱：不同于静态 RAG，Cognee 的知识图谱会随知识积累自动更新关系，真正实现”越用越聪明”。
- 基准测试领先：在长上下文记忆基准测试 BEAM 中，Cognee 得分 0.79（开启按问题路由后 >0.8），优于之前的 SOTA 方案（0.735）和 RAG 基线（~0.33）。
- 多语言客户端：同时提供 Python、Rust、TypeScript 官方客户端，覆盖从 AI 应用开发到高性能系统集成的全场景。
- 活跃社区：8426+ 次提交，304 个开放 Issues（说明使用人数多、反馈活跃），Apache-2.0 永久开源。
如果你正在构建需要”记住用户”的 AI 应用——无论是客服机器人、个人助手还是企业知识助手，Cognee 值得一试。23K+ Stars 和本周新增 5000+ Stars 的趋势，已经说明了开发者的认可。
📥 下载地址
- 🏠 项目官网：https://www.cognee.ai
- 📚 官方文档：https://docs.cognee.ai
- 🐙 GitHub 仓库：https://github.com/topoteretes/cognee（23,542+ Stars）
- 💬 Discord 社区：https://discord.gg/NQPKmU5CCg
- 🐍 PyPI 安装：pip install cognee
- 📦 Docker 镜像：docker pull cognee/cognee:main
📌 许可协议：Apache License 2.0（永久开源，可自由使用、修改和分发）

👥 维护团队：topotherete 社区（8426+ 次提交，活跃开发中）

📄 相关研究：Optimizing the Interface Between Knowledge Graphs and LLMs for Complex Reasoning（arXiv 2025）
2026年6月27日
Sentence Transformers：RAG与语义搜索的基石，18.8K+Stars让文本嵌入变得简单
📌 项目速览
项目名称: Sentence Transformers
GitHub: huggingface/sentence-transformers
⭐ Stars: 18.8K+ | 🍴 Forks: 2.8K+
编程语言: Python | 许可证: Apache-2.0
维护方: Hugging Face (原 UKP Lab)
官网: sbert.net

🎯 项目简介

Sentence Transformers 是计算文本嵌入（Embeddings）的事实标准框架，让语义搜索、RAG 检索和文本相似度计算变得极其简单。由德国达姆施塔特工业大学 UKP Lab 首创，现由 Hugging Face 团队维护，是每一个做 RAG、语义搜索、向量检索工程师的必备工具箱。

只需两行代码，就能把任意句子转换成高质量稠密向量；再配合一行相似度计算，即可实现语义级别的文本匹配。支持 100+ 语言、15000+ 预训练模型、多模态（文本/图像/音频/视频）嵌入，堪称 AI 时代的”文本向量化瑞士军刀”。

💡 为什么重要？ 大语言模型虽强，但无法直接处理超长文本或实时检索。Sentence Transformers 将文本转化为固定维度的向量，使语义搜索、去重、聚类、推荐等任务速度提升 100 倍，是 RAG 系统的第一块基石。

⚙️ 安装要求和过程

环境要求
- Python: 3.10+
- PyTorch: 1.11.0+
- transformers: 4.41.0+
- 硬件: CPU 可用，GPU（CUDA）可加速 10-50 倍
快速安装
```
# 基础安装（仅核心功能）
pip install -U sentence-transformers

# 带扩展功能（图像/音频/视频/训练/ONNX）
pip install sentence-transformers[image,audio,video,train,onnx]

# 使用 uv 快速安装
uv pip install sentence-transformers

# Conda 安装
conda install -c conda-forge sentence-transformers
```
验证安装:
```
python -c "from sentence_transformers import SentenceTransformer; print('✅ 安装成功')"
```
🌟 核心功能

1. 稠密嵌入（Dense Embeddings）—— RAG 的核心

将句子、段落甚至整篇文档转换为固定维度的稠密向量（通常 384-1024 维），使得语义相似的文本在向量空间中距离更近。支持 Matryoshka 嵌入（可变尺寸，大向量拆小不降性能）和 嵌入量化压缩（降低 4-8 倍存储）。

2. 交叉编码器重排序（Cross-Encoder Reranking）—— 精准召回

稠密检索快速召回 Top-100 后，用 Cross-Encoder 对查询-文档对进行精细打分，重排序后 Top-5 准确率可提升 15-30%。这是生产级 RAG 系统的标配二阶段检索策略。

3. 稀疏嵌入（Sparse Embeddings）—— 关键词 + 语义混合

基于 SPLADE 等模型生成稀疏向量（维度 = 词表大小，但 99.8% 以上元素为 0），兼具 BM25 的关键词匹配能力和稠密向量的语义理解能力，实现真正的 混合检索。

4. 多模态嵌入 —— 图文音视统一向量空间

通过统一 API 支持文本、图像、音频、视频四种模态的嵌入模型。例如用 AI-ModelScope/CLIP-ViT-bigG-patch14 可实现图文跨模态检索，用 laion/clap-htsat-unfused 实现音频语义搜索。

5. 模型训练/微调 —— 适配你的业务场景

提供 20+ 种嵌入模型损失函数（余弦相似度、三元组、对比学习等）、10+ 种重排序损失函数、10+ 种稀疏编码损失函数。支持多语言、多任务联合训练，仅需几十对标注样本即可微调出业务级模型。

🚀 典型使用场景

场景一：RAG 知识库检索（最流行）

企业文档问答系统的标准做法：用 Sentence Transformers 将知识库切片编码为向量存入向量数据库（Chroma/Milvus/Qdrant），用户提问时实时编码查询向量，召回最相关的 Top-K 文档片段送给 LLM 生成答案。
```
from sentence_transformers import SentenceTransformer
from qdrant_client import QdrantClient

# 1. 加载嵌入模型
model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")

# 2. 编码知识库文档
docs = ["公司报销流程...", "年假申请方法...", "IT设备申领..."]
doc_embeddings = model.encode(docs)

# 3. 存入向量数据库
client = QdrantClient(":memory:")
client.add(collection_name="kb", vectors=doc_embeddings, payload=docs)

# 4. 用户提问检索
query = "怎么申请年假？"
query_vec = model.encode(query)
results = client.search(collection_name="kb", query_vector=query_vec, limit=3)
print(results[0].payload)  # 返回最相关文档
```
场景二：语义搜索与去重（电商平台/内容平台）

电商平台的商品搜索（用户输入”红色运动鞋”能匹配”红跑步鞋”）、新闻推荐系统去重、简历与岗位描述的语义匹配，都依赖 Sentence Transformers 的语义编码能力。

场景三：跨语言语义匹配（全球化应用）

支持 100+ 语言的预训练多语言模型（如 paraphrase-multilingual-MiniLM-L12-v2），可将中文、英文、日文等不同语言的相同语义映射到向量空间的相近位置，实现跨语言检索和匹配。

💡 推荐理由

1. RAG 工程师的”Hello World”

几乎所有 RAG 教程的第一个代码示例都是 Sentence Transformers。它把复杂的 Transformer 编码、池化、归一化等步骤封装成一行 model.encode()，让开发者专注业务逻辑而非模型细节。langchain、LlamaIndex 等框架的底层检索默认就用它。

2. Hugging Face 生态深度整合

作为 Hugging Face 官方库，可直接 model = SentenceTransformer("your-model-name") 加载 Hub 上任意模型，也轻松将本地模型 push_to_hub() 分享给社区。15000+ 预训练模型即搜即用，覆盖从轻量级的 MiniLM（80MB）到旗舰级的 gte-Qwen3（数 GB）。

3. 性能与精度的完美平衡

all-MiniLM-L6-v2（仅 80MB）在 MTEB 排行榜上达到中上水平，推理速度却是最强模型的 10 倍。配合 Matryoshka 训练，768 维向量可截断为 384/256/128 维使用，存储和检索速度提升数倍，精度损失极小。

4. 生产级可靠性

2019 年开源至今，历经 6 年迭代，2800+ Fork、1300+ 贡献者，PyPI 月下载量超百万。Apache-2.0 许可完全免费商用，被 Google、Microsoft、Amazon、Meta 等大厂的内部系统广泛采用。

🎯 适用人群: RAG 开发者、搜索工程师、NLP 算法工程师、推荐系统工程师、AI 全栈工程师。如果你正在构建任何需要”理解文本语义”的系统，Sentence Transformers 都是首选工具。

📥 下载地址
- 📦 PyPI 安装: pip install sentence-transformers
- 🌐 GitHub 仓库: github.com/huggingface/sentence-transformers
- 📚 官方文档: sbert.net
- 🤗 Hugging Face 模型库: huggingface.co/models (筛选 sentence-similarity)
- 📊 MTEB 排行榜: huggingface.co/spaces/mteb/leaderboard
- 💬 GitHub Discussions: github.com/huggingface/sentence-transformers/discussions
本文由 AI 自动整理，数据截至 2026 年 6 月。项目持续更新中，建议访问官方仓库获取最新信息。
2026年6月27日
Weaviate：AI 开发者最爱的开源向量数据库，语义搜索与 RAG 的首选数据底座
📦 项目简介

Weaviate 是一款开源、云原生的向量数据库，同时存储对象和向量，支持大规模语义搜索。它将向量相似度搜索、关键词过滤、检索增强生成（RAG）和重排序功能整合到单个查询接口中，是构建 AI 应用的理想数据底座。

⚙️ 安装要求和过程

环境要求
- Docker 20.10+（推荐方式）
- 内存：最低 4GB RAM，生产环境建议 8GB+
- 客户端：Python 3.8+、Node.js 16+、Java 11+、Go 1.18+
快速安装（Docker 本地部署）

第一步：创建 docker-compose.yml：
```
services:
  weaviate:
    image: cr.weaviate.io/semitechnologies/weaviate:1.36.0
    ports:
      - "8080:8080"
      - "50051:50051"
    environment:
      ENABLE_MODULES: text2vec-model2vec
      MODEL2VEC_INFERENCE_API: http://text2vec-model2vec:8080
  text2vec-model2vec:
    image: cr.weaviate.io/semitechnologies/model2vec-inference:minishlab-potion-base-32M
```
第二步：启动 & 安装客户端
```
docker compose up -d
pip install -U weaviate-client
```
也可使用 Weaviate Cloud 免费试用，或部署到 Kubernetes/AWS/GCP。

🚀 核心功能

⚡ 毫秒级十亿向量搜索

基于 Go 构建，HNSW 索引，十亿级向量语义搜索毫秒返回。

🔀 混合检索（向量+关键词+过滤）

单接口同时支持语义搜索、BM25 关键词搜索、图像搜索，内置 hybrid 查询自动融合分数。

🤖 内置 RAG & 重排序

无需额外工具，直接支持生成式搜索（RAG）和重排序，快速构建 Q&A、聊天机器人。

📈 生产级可扩展性

支持水平扩展、多租户隔离、副本、RBAC 权限控制，Kubernetes 原生编排。

💾 向量压缩 & TTL

内置标量/二进制/产品量化，大幅降低内存占用；支持对象 TTL 自动清理过期数据。

💡 典型使用场景

场景一：RAG 检索增强生成系统

将企业文档导入 Weaviate，结合 LLM 构建精准问答系统，大幅降低幻觉率。
```
import weaviate
from weaviate.classes.query import Filter

client = weaviate.connect_to_local()
results = client.collections.get("Document").query.near_text(
    query="如何申请退款？", limit=5,
    filters=Filter.by_property("category").equal("help")
)
for obj in results.objects:
    print(obj.properties["content"])
```
场景二：语义搜索 & 推荐引擎

电商/内容平台实现”理解意图”的搜索，支持多模态（文本+图像）检索。

📌 推荐理由
- 生态最完整：Python/JS/Java/Go/C# 五大官方 SDK
- AI Agent 集成：官方提供 Agent Skills，支持 Claude Code/Cursor
- 商业友好：BSD-3-Clause 许可，可自由修改和分发
- 云原生架构：存储计算分离，Kubernetes 原生，水平扩展无忧
📥 下载地址 & 相关链接
- 🌐 项目官网
- 🐙 GitHub 仓库（16.4K+ Stars）
- 📚 官方文档
- 🐳 Docker：cr.weaviate.io/semitechnologies/weaviate:latest
- ☁️ Weaviate Cloud（免费试用）
✝️ BSD 3-Clause License | Go | 2016年发布
2026年6月25日
Weaviate：AI 开发者最爱的开源向量数据库，语义搜索与 RAG 的首选数据底座
📦 项目简介

Weaviate 是一款开源、云原生的向量数据库，同时存储对象和向量，支持大规模语义搜索。它将向量相似度搜索、关键词过滤、检索增强生成（RAG）和重排序功能整合到单个查询接口中，是构建 AI 应用的理想数据底座。

Weaviate —— AI 开发者最爱的开源向量数据库

⚙️ 安装要求和过程

环境要求
- Docker 20.10+（推荐方式）
- 内存：最低 4GB RAM，生产环境建议 8GB+
- 存储：持久化卷（可选，用于数据持久化）
- 客户端：Python 3.8+、Node.js 16+、Java 11+、Go 1.18+ 可选
快速安装（Docker 本地部署）

第一步：创建 docker-compose.yml 配置文件：
```
services:
  weaviate:
    image: cr.weaviate.io/semitechnologies/weaviate:1.36.0
    ports:
      - "8080:8080"
      - "50051:50051"
    environment:
      ENABLE_MODULES: text2vec-model2vec
      MODEL2VEC_INFERENCE_API: http://text2vec-model2vec:8080

  # 轻量级嵌入模型，导入数据时会自动生成向量
  text2vec-model2vec:
    image: cr.weaviate.io/semitechnologies/model2vec-inference:minishlab-potion-base-32M
```
第二步：启动服务
```
docker compose up -d
```
第三步：安装 Python 客户端
```
pip install -U weaviate-client
```
也可以使用 Weaviate Cloud 托管服务（免费试用），或部署到 Kubernetes、AWS、GCP 等云平台。

🚀 核心功能

⚡ 毫秒级十亿向量搜索

基于 Go 构建，高负载下响应稳定。采用 HNSW（Hierarchical Navigable Small World）索引算法，支持 ANN 基准测试领先性能，十亿级向量复杂语义搜索毫秒级返回。

🔀 混合检索（向量 + 关键词 + 过滤）

单接口同时支持语义搜索、传统关键词（BM25）搜索、图像搜索，支持高级过滤，可灵活组合获得最优结果。内置 hybrid 查询类型，自动融合向量相似度与关键词相关性分数。

🤖 内置 RAG & 重排序

无需额外工具，直接支持生成式搜索（RAG）和重排序（Reranking）能力。可快速构建 Q&A 系统、聊天机器人、摘要工具。集成 Cohere、OpenAI、Voyage 等主流 Reranker 模型。

📈 生产级可扩展性

支持水平扩展、多租户隔离、副本、细粒度 RBAC 权限控制，适配从原型到大规模生产场景。存储计算分离架构，支持 Kubernetes 原生编排。

💾 低成本运维 & 向量压缩

内置向量压缩能力（标量量化、二进制量化、产品量化），通过向量量化、多向量编码降低内存占用，对搜索性能影响极小。支持对象 TTL 机制，按集合配置数据过期时间，自动清理过期数据。

💡 典型使用场景

场景一：RAG（检索增强生成）系统

将企业文档、知识库导入 Weaviate，结合 LLM 构建精准问答系统。Weaviate 负责语义检索召回相关段落，LLM 负责生成最终答案，大幅降低幻觉率。
```
import weaviate
from weaviate.classes.query import Filter

client = weaviate.connect_to_local()

# 语义搜索 + 元数据过滤
results = client.collections.get("Document").query.near_text(
    query="如何申请退款？",
    limit=5,
    filters=Filter.by_property("category").equal("help")
)
for obj in results.objects:
    print(obj.properties["content"])
```
场景二：语义搜索 & 推荐引擎

电商、内容平台可用 Weaviate 实现”理解意图”的搜索体验。用户输入自然语言查询，系统返回语义最匹配的商品或内容，而非简单的关键词匹配。

Weaviate 也支持多模态搜索（文本 + 图像），用户可用图片搜索相似商品，或用文本描述搜索相关图片。

📦 Python 快速上手
```
import weaviate
from weaviate.classes.config import Configure, DataType, Property

# 连接本地 Weaviate 服务
client = weaviate.connect_to_local()

# 创建集合（类似关系数据库的表）
client.collections.create(
    name="Article",
    properties=[Property(name="content", data_type=DataType.TEXT)],
    # 使用 Model2Vec 向量化器，导入时自动生成向量
    vector_config=Configure.Vectors.text2vec_model2vec(),
)

# 插入数据并自动生成向量
articles = client.collections.get("Article")
articles.data.insert_many([
    {"content": "Vector databases enable semantic search"},
    {"content": "Machine learning models generate embeddings"},
    {"content": "Weaviate supports hybrid search capabilities"},
])

# 执行语义搜索
results = articles.query.near_text(query="Search objects by meaning", limit=1)
print(results.objects[0].properties["content"])

client.close()
```
📌 推荐理由

Weaviate 是我推荐的向量数据库首选之一，尤其适合以下场景：
- 与已发布的同类项目对比：Qdrant（Rust，极致性能）、Milvus（分布式，大规模）、Chroma（轻量，快速上手）—— Weaviate 则胜在生态最完整和集成最丰富
- AI Agent 生态集成：Weaviate 积极拥抱 AI Agent 生态，官方提供 Agent Skills，支持 Claude Code、Cursor 等 AI 编码工具直接操作
- 多语言 SDK 覆盖最全：Python、JavaScript/TypeScript、Java、Go、C#/.NET 五大官方 SDK，社区还有 Rust、PHP、Ruby 等扩展
- BSD-3-Clause 许可：商业友好，可自由修改和分发，适合企业内嵌使用
如果你正在构建 RAG 系统、语义搜索功能，或任何需要”理解语义”的 AI 应用，Weaviate 值得作为向量数据库的第一选择进行评估。
📥 下载地址 & 相关链接
- 🌐 项目官网：https://weaviate.io
- 🐙 GitHub 仓库：https://github.com/weaviate/weaviate（16.4K+ Stars）
- 📚 官方文档：https://weaviate.io/developers/weaviate
- 🐳 Docker 镜像：cr.weaviate.io/semitechnologies/weaviate:latest
- ☁️ Weaviate Cloud：https://console.weaviate.cloud（免费试用）
- 💬 社区论坛：https://forum.weaviate.io
✝️ 开源协议：BSD 3-Clause License | 开发语言：Go | 2016年发布，持续维护至今
2026年6月25日
Milvus：高性能云原生向量数据库，为AI应用打造的神经记忆中枢（44.9K Stars）
Milvus：高性能云原生向量数据库，为AI应用打造的神经记忆中枢

44,934+ ⭐ · Go + C++ · Apache 2.0 · LF AI & Data 基金会托管

📌 项目简介

Milvus 是由 Zilliz 开发、LF AI & Data 基金会托管的开源向量数据库，专为 AI 应用的大规模非结构化数据检索而设计。底层使用 Go 和 C++ 编写，支持 CPU/GPU 硬件加速，可在十亿级向量规模下实现毫秒级检索延迟，是 RAG、推荐系统、多模态搜索等 AI 应用的首选向量存储引擎。最新稳定版：v2.5.13（2026年6月）。

44.9K

GitHub Stars

4,089

Forks

10亿+

向量规模

5种

SDK语言
⚙️ 安装要求和过程

💻 环境要求

CPU：4核以上（生产推荐16核+）

内存：16GB以上（十亿级向量推荐128GB+）

存储：SSD推荐，冷数据可归档至S3/GCS（成本降低10倍）

Docker：Standalone模式需Docker 19.03+（最简方式）

Kubernetes：分布式部署需K8s 1.20+

Python：3.8～3.12（pymilvus SDK支持）

🐳 快速安装（Docker Standalone，生产推荐）

# 下载 docker-compose.yml（含 etcd + MinIO 依赖） wget https://github.com/milvus-io/milvus/releases/download/v2.5.13/milvus-standalone-docker-compose.yml -O docker-compose.yml # 启动 Milvus docker compose up -d # 验证（看到三个容器均为 healthy 即成功） docker compose ps

🐍 Python SDK 安装（最常用）

# 标准安装（连接远程Milvus服务） pip install -U pymilvus # 包含 Milvus Lite（嵌入式，pip install即可运行，无需Docker） pip install "pymilvus[milvus-lite]" # 验证 python -c "from pymilvus import MilvusClient; print('Milvus OK')"

☁️ 零配置托管（Zilliz Cloud）

不想自建服务？试用 Zilliz Cloud，提供 Serverless（按量付费）、Dedicated（专属集群）、BYOC（自带云）三种模式，免费额度足够个人开发使用。与 AWS Bedrock、Azure OpenAI 深度集成。
✨ 核心功能

⚡ 十亿级高性能检索

存储计算分离架构，支持 HNSW / IVF / SCANN / DiskANN 等全部主流索引。GPU 加速兼容 NVIDIA CAGRA，十亿级向量下毫秒级延迟，QPS 可达数万次/秒。在官方性能基准中处于行业第一梯队。

🔀 混合检索（稠密+稀疏向量）

原生支持 BM25 全文检索和学习的稀疏嵌入（SPLADE、BGE-M3），同一集合可同时存储稠密和稀疏向量，自定义重排策略合并多路结果，RAG 召回率提升 30%+。这是 Milvus 相比其他向量数据库的显著优势。

🏢 企业级多租户与安全

支持数据库/集合/分区/分区键四级隔离，单集群可承载数百万租户。强制用户认证、TLS 加密、RBAC 细粒度权限控制，满足 SOC 2 合规要求。适合 SaaS 平台多客户场景。

💾 冷热存储分离

热数据存内存/SSD，冷数据自动归档至 S3/GCS，存储成本降低 10 倍。支持对象存储原生架构，无需额外 ETL 即可直接读取云存储中的向量数据。Collection 级别的 Fork（写时复制）功能，大幅提升实验迭代效率。

🌐 多语言 SDK + 丰富 AI 生态集成

官方 SDK 覆盖 Python（pymilvus）、Java、Go、Node.js、Restful API 五种语言。原生集成 LangChain、LlamaIndex、OpenAI、HuggingFace、AutoGPT 等主流 AI 框架，可作为 RAG 应用的即插即用向量存储。Attu 提供图形化管理界面，Prometheus/Grafana 支持监控告警。
🏗️ 架构设计

Milvus 采用存储与计算分离、无状态微服务的分布式架构，所有组件以容器化方式部署，可充分利用 Kubernetes 的调度和自愈能力。

┌───────────────────────────────────────────────┐ │ API Service Layer │ │ gRPC / REST / Python / Java / Go SDK │ └──────────────┬──────────────────────────────┘ │ ┌───────────────▼──────────────────────────────┐ │ Coordinator Service (元数据) │ │ Root Coord │ Query Coord │ Data Coord │ └────┬──────────┴─────────────┴──────────────┘ │ │ │ ▼ ▼ ▼ ┌──────────┐┌──────────┐ ┌──────────┐ │ Query ││ Data │ │ Index │ ← 可独立扩缩容 │ Node ││ Node │ │ Node │ │(读密集) ││(写密集) │ │(索引构建)│ └───┬──────┘└───┬──────┘ └───┬──────┘ │ │ │ ┌─────▼──────────▼────────────▼─────────┐ │ Object Storage (S3 / GCS / MinIO) │ │ + Hot Cache (内存 / SSD) │ └──────────────────────────────────────────┘

所有协调服务支持多副本部署，单节点故障秒级恢复。存储与计算解耦，可按业务特征独立调整查询/写入容量。
🎯 典型使用场景

场景一：RAG（检索增强生成）应用

将企业知识库文档向量化存入 Milvus，用户提问时检索最相关的 Top-K 片段，注入 LLM 上下文窗口，显著提升回答准确性并减少幻觉。混合检索（向量+全文）可进一步提升召回率。官方 RAG 教程 30分钟可跑通 Demo。

场景二：多模态语义搜索引擎

利用 CLIP 等多模态模型将图片、音频、视频转为向量存入 Milvus，实现”以文搜图”、”以图搜图”、”视频片段检索”等功能。支持动态字段存储原始元数据，检索结果可直接返回图片 URL 或视频时间戳。图像检索实战教程可直接参考。

场景三：实时推荐系统

将用户行为特征和物品特征向量化后存入 Milvus，通过近似最近邻搜索实时找相似用户或相似物品，实现个性化推荐。支持流式数据实时更新，新用户行为可在秒级反映到推荐结果中。官方电影推荐系统教程可直接参考。
💡 推荐理由

在向量数据库赛道中，Milvus 是最成熟、生产案例最多的开源选择之一。与 Chroma（轻量级，适合原型）和 Qdrant（Rust 性能优异）相比，Milvus 的独特优势在于：

云原生分布式架构：K8s 原生支持，可独立扩展查询/数据/索引节点，真正适合生产环境大规模部署（Chroma 无分布式，Qdrant 分布式为企业版功能）

混合检索能力：稠密+稀疏向量一体化，RAG 场景召回率显著优于单一向量检索（多数竞品仅支持稠密向量）

LF AI & Data 基金会托管：开源治理规范，Apache 2.0 永久开源，不会突然变更许可协议

Milvus Lite 零配置：pip install 即可运行嵌入式版本，本地开发、单元测试、CI/CD 均无需 Docker

如果你正在构建 RAG 应用或语义搜索功能，Milvus 值得作为向量存储的首选方案进行评估。根据官方性能基准，Milvus 在十亿级向量场景下的检索性能处于行业第一梯队。
📥 下载地址

🐙 GitHub 仓库

milvus-io/milvus · 44.9K ⭐

🌐 官方网站

milvus.io · 文档 + 在线 Demo

☁️ Zilliz Cloud

托管服务 · 免费额度 · Serverless

🐍 Python SDK

pymilvus · PyPI 安装 · Milvus Lite

📚 官方文档

安装 · 教程 · API 参考 · 性能基准



📦 发布版本

v2.5.13（最新稳定版）· 发布说明

LF AI & Data 基金会托管 · Apache 2.0 开源协议 · Zilliz 主导开发

最后更新：2026年6月25日 · 数据来源：GitHub API + milvus.io
2026年6月25日
Qdrant：用Rust打造的高性能向量数据库，AI检索引擎的新标杆
🚀 项目简介

Qdrant 是一个用 Rust 编写的高性能、大规模向量数据库与向量搜索引擎，专为下一代 AI 应用设计。它将向量相似度搜索与丰富的 JSON 元数据处理能力深度融合，是构建 RAG、语义搜索、AI 智能体等应用的理想检索底座。

GitHub：qdrant/qdrant｜Stars：32.5K+｜语言：Rust 🦀｜许可：Apache 2.0
⚙️ 安装要求与过程

环境要求
- 最低配置：2 vCPU、4GB RAM（测试环境）
- 生产推荐：8+ vCPU、16GB+ RAM、SSD 存储
- 支持平台：Linux / macOS / Windows（Docker）、Kubernetes
- 客户端支持：Python、JavaScript/TypeScript、Go、Rust、.NET/C#、Java
- 依赖：Docker（快速启动），或直接从 Release 下载二进制
快速安装（Docker 方式）
```
# 拉取并启动 Qdrant（默认端口 6333）
docker run -p 6333:6333 qdrant/qdrant

# Python 客户端连接
pip install qdrant-client

python -c "
from qdrant_client import QdrantClient
client = QdrantClient(url='http://localhost:6333')
print(client.get_collections())
"
```
其他安装方式
- Qdrant Cloud：注册即用，含免费套餐（cloud.qdrant.io）
- 自托管 Kubernetes：官方 Helm Chart 支持
- Qdrant Edge：轻量版，可嵌入应用进程，适合边缘设备
- Hybrid Cloud / Private Cloud：企业级自建云部署方案
⭐ 核心功能

🔍 多向量搜索

同时支持稠密向量（语义搜索）、稀疏向量（关键词搜索）、多向量（ColBERT 等晚期交互模型），一套引擎覆盖全场景。

🔀 原生混合检索

在单次查询中融合稠密与稀疏向量，支持 BM25、SPLADE++、miniCOIL 等多种算法，结果通过 RRF/DBSF 策略智能合并。

📊 高级元数据过滤

HNSW 遍历过程中直接应用过滤条件（非后过滤），支持嵌套对象、全文检索、地理位置、has_vector 等丰富过滤类型，高召回低延迟。

⚡ 极致性能优化

Rust + SIMD 指令加速；Scalar/Asymmetric/Binary 量化降低内存占用最高 64 倍；GPU 加速索引（NVIDIA/AMD）；io_uring 异步 I/O 最大化磁盘吞吐。

🏗️ 企业级部署能力

分布式水平扩展（分片 + 副本）；零停机扩缩容；多租户数据隔离；SOC 2 / GDPR 合规；SSO（SAML/OIDC）；Prometheus / Grafana / Datadog 监控集成；严格模式磁盘保护；WAL 持久化保证断电不丢数据。

🏆 典型使用场景

📚 RAG（检索增强生成）系统

Qdrant 是 RAG 应用最流行的向量数据库选择之一。将企业文档、知识库切分后存入 Qdrant，用户提问时先向量检索最相关片段，再喂给 LLM 生成答案。Tripadvisor 使用 Qdrant 为数十亿条评论和图片提供 AI 旅行规划检索，收入提升 2-3 倍。
技术栈：Qdrant + LangChain/LlamaIndex + OpenAI/DeepSeek

🤖 AI 智能体长期记忆

AI Agent 需要跨会话持久化记忆，Qdrant 提供高性能向量存储让智能体”记住”历史上下文。Deutsche Telekom 的多智能体平台基于 Qdrant 实现实时上下文检索，支撑 200 万+ AI 驱动对话。
技术栈：Qdrant + Mem0 + LangChain/CrewAI

🛍️ 电商语义推荐系统

传统关键词搜索无法理解用户意图，Qdrant 的向量语义匹配让”类似风格””可以搭配”等模糊需求精准命中。Lyzr 的 AI 智能体平台接入 Qdrant 后，延迟降低 90%、吞吐量提升 150%。支持实时相似度匹配数百万商品，结合元数据过滤实现个性化推荐。
技术栈：Qdrant + 多模态嵌入模型（CLIP）+ 推荐算法
💡 推荐理由

作为一个深度使用过多个向量数据库的开发者，Qdrant 给我印象最深刻的是它的“工程完成度”。以下是我的真实使用体会：
- 🦀 Rust 带来的安心感：生产环境最怕 OOM 和奇怪的崩溃，Qdrant 用 Rust 编写，内存安全 + 高并发，跑了几个月稳如磐石，不像某些 Java 系的方案动不动就要调 JVM 参数。
- 🎯 过滤性能是真的强：很多向量数据库的元数据过滤是”后过滤”（先搜再筛），大数据量下性能灾难。Qdrant 的过滤是在 HNSW 遍历过程中完成的，实测百万级向量 + 复杂过滤条件，延迟依然在毫秒级。
- 📦 量化功能省真金白银：Scalar Quantization 开箱即用，内存占用直接砍掉 75%，精度损失微乎其微。如果用量大，这一项就能省好几台服务器的钱。
- 🔌 生态集成无脑顺畅：LangChain、LlamaIndex、Haystack、MCP 协议……主流 AI 框架全部原生支持，基本不用写适配代码，直接 pip install qdrant-client 开箱即用。
- ☁️ Cloud 免费额度够用：不想自己运维可以用 Qdrant Cloud，免费套餐够小型项目跑起来，后续扩容也无缝迁移，不用担心被锁定。
⚠️ 注意事项：默认 Docker 启动是无认证的，千万不要直接暴露到公网！一定要先看官方安全配置指南，开启 API Key 或 mTLS 认证。另外，如果数据量在千万级以下，其实 Chroma 这类更轻量的方案也够用，Qdrant 的优势在大规模生产场景才完全体现。
📦 下载地址 & 资源链接

🌐 官方网站

qdrant.tech

💻 GitHub 仓库

github.com/qdrant/qdrant

☁️ Qdrant Cloud

cloud.qdrant.io（含免费套餐）

📖 官方文档

qdrant.tech/documentation

🐍 Python 客户端

qdrant-client (PyPI)

📊 性能基准测试

qdrant.tech/benchmarks

Apache License 2.0 开源 · 完全自托管 · 32.5K+ Stars
2026年6月23日

标签： 向量数据库

项目简介

安装要求和过程

环境要求

快速安装

核心功能

典型使用场景

场景 1：财报 / 论文中的表格问答

场景 2：Claude 浏览复杂网页

场景 3：内部知识库可视化搜索

推荐理由

下载地址

为什么需要它？

安装要求和过程

环境要求

快速安装

核心功能

1. 基础能力 Recipes

2. 工具调用与函数集成

3. Claude Agent SDK

4. Agent Skills 技能系统

5. 多模态能力

6. 扩展思考与设计模式

7. 第三方集成

8. 微调与可观测性

典型使用场景

场景 1：快速搭建企业知识库 RAG

场景 2：构建带工具调用的客服 Agent

场景 3：批量处理 PDF/扫描件

场景 4：评估驱动的提示词迭代

推荐理由

下载地址

项目简介

安装要求和过程

核心功能

典型使用场景

推荐理由

下载地址

📌 项目简介

⚙️ 安装要求和过程

环境要求

快速安装（Python）

一分钟上手示例

📦 其他语言 SDK

🔥 核心功能

💡 典型使用场景

场景一：RAG 检索增强生成系统

场景二：AI Agent 长期记忆

场景三：边缘设备 / 本地优先语义搜索

✨ 推荐理由

🔗 下载地址

🧠 项目简介

📦 安装要求和过程

环境要求

快速安装

环境配置

Docker 一键部署

⭐ 核心功能

1. 跨会话持久记忆

2. 自托管知识图谱引擎

3. 多后端支持

4. 多语言官方客户端

5. 多智能体工具集成

🚀 典型使用场景

场景一：客服智能体

场景二：专家知识蒸馏（SQL 助手）

💡 推荐理由

📥 下载地址

🎯 项目简介

⚙️ 安装要求和过程

环境要求

快速安装

🌟 核心功能

1. 稠密嵌入（Dense Embeddings）—— RAG 的核心

2. 交叉编码器重排序（Cross-Encoder Reranking）—— 精准召回

3. 稀疏嵌入（Sparse Embeddings）—— 关键词 + 语义混合

4. 多模态嵌入 —— 图文音视统一向量空间

5. 模型训练/微调 —— 适配你的业务场景

🚀 典型使用场景

场景一：RAG 知识库检索（最流行）

标签：向量数据库