pgvector向量检索与语义搜索实践
在 PostgreSQL 中使用 pgvector 实现向量检索与语义搜索，选择合适的索引（HNSW/IVF）、维度与度量，提供数据处理与验证方法。
向量
搜索相关性 BM25 与向量融合检索（2025）
搜索相关性 BM25 与向量融合检索（2025）融合检索在语义与关键词匹配间取得平衡，适用于通用搜索与问答。一、召回与融合BM25：关键词匹配精准，适合高精度短文本。向量：语义召回覆盖度高，适合自然语言与长文本。融合：按权重或学习排序融合两路结果。二、重排与评估重排模型：基于语义/特征的学习排序提升
"向量检索实战：HNSW 与 IVF 的参数选择"
"对 HNSW 与 IVF 索引的适用场景与核心参数进行对比，给出召回率、查询耗时与内存占用的权衡建议与注意事项。"
"向量数据库选型指南：Milvus、FAISS 与 PGVector"
"结合生态与性能特点，对 Milvus、FAISS 与 PGVector 的适用场景与限制进行对比，并提供工程落地建议与参考。"
向量数据库选型与优化指南（2025）
向量数据库选型与优化指南（2025）向量数据库支撑语义检索与多模态搜索，是 RAG 与推荐系统的关键组件。本文从选型维度、索引策略、写读优化与治理实践展开。一、核心选型维度索引类型支持：常见 ANN 算法（如 HNSW、IVF 等）与可插拔性。数据规模与扩展：分片、副本与水平扩展能力；一致性与容错策
向量数据库选型 pgvector Milvus Qdrant 对比
对比三种主流向量数据库在索引类型、部署与一致性方面的差异，结合场景给出选型建议与调参要点。
Weaviate Hybrid Search（BM25+向量）与 Schema 设计（2025）
Weaviate Hybrid Search（BM25+向量）与 Schema 设计（2025）一、Schema 与索引类与属性：为文本/标签/数值建模；向量由内置/外部模型生成。索引：启用 `BM25` 文本索引与向量索引，支持 Hybrid 组合。过滤：对标签/范围设置过滤字段，保障精确召回。二
RISC‑V RVA23 Profile 解读：标准化向量与虚拟化
概述 RVA23 Profile 的目标与强制扩展，强调向量与虚拟化的标准化对软件可移植性的意义，并给出生态与应用场景建议。
Qdrant 向量检索与 Payload 过滤治理（2025）
Qdrant 向量检索与 Payload 过滤治理（2025）一、集合与索引集合：定义向量维度与度量（cosine/L2/IP），开启 `HNSW` 索引。Payload：属性存储用于 `Filter`（标签/时间/数值），支持条件组合。分片与副本：依据数据量与吞吐设置 `shards/replic
Prisma pgvector 与向量检索集成建议
引言pgvector 将向量检索能力带入 Postgres；结合 Prisma Client 可在同一数据层实现结构化与语义检索的统一。集成与建模（已验证）Postgres 扩展：安装与启用 `pgvector`，创建向量列并建立合适的索引（如 HNSW/IVFFlat）。来源：Supabase 文
