Elasticsearch 8.15 特性解读：语义文本字段与向量优化
总结 8.15 的核心变化，包括 semantic_text 字段、位向量/SIMD/int4 量化优化与 ES|QL 能力增强，帮助快速落地语义搜索与性能提升。
向量
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
Apache Cassandra 5.0 版本解读：ANN 向量检索与 SAI
概述 Cassandra 5.0 的关键增强，包含 ANN 向量检索（VECTOR CQL 类型）与 Storage Attached Indexes、统一压缩策略与 JDK 17 支持等。
OpenSearch 2.15 版本解读：混合检索并行化与向量成本优化
总结 2.15 在向量/混合检索与运维成本上的改进，包含混合检索并行、k-NN Lucene 引擎下禁用 doc values、重建工作流与径向搜索能力。
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
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
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。
"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。"
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
OpenSearch k-NN 向量检索与参数优化（2025）
OpenSearch k-NN 向量检索与参数优化（2025）一、索引与配置HNSW：设置 `m`/`ef_construction`；匹配向量维度与度量。索引映射：声明 `knn_vector` 字段与度量（cosine/L2）。二、查询与优化efSearch：提升召回的同时控制延迟；按查询类型动
