Sliding Window 与检索重排治理（2025）
RAG Chunking/Sliding Window 与检索重排治理（2025）一、分块与窗口Chunking（Chunking）：按语义或固定长度分块；质量影响召回与相关性。Sliding Window（Sliding Window）：对长文档使用滑窗覆盖边界信息。二、检索与过滤向量检索（向量检
检索
IVF-PQ 索引与混合检索策略（2025）
Milvus HNSW/IVF-PQ 索引与混合检索策略（2025）一、索引类型与度量索引：`HNSW` 适合在线更新与低延迟；`IVF-PQ` 通过分桶与乘积量化压缩向量，加速检索与节约存储。度量：`cosine`/`L2`/`IP` 按语义选择；统一归一化策略保障得分可比较。二、HNSW 参数图
Postgres全文检索：tsvector/tsquery与排名治理
使用内置全文检索构建文本搜索，规范向量与查询与排名，提升相关性与性能。
检索评测方法 Recall MAP nDCG 实战
构建可复用的检索评测集并计算核心指标，提供标准化流程与误差分析方法提升系统可靠性。
索引参数与过滤检索治理（2025）
Pinecone Pods/索引参数与过滤检索治理（2025）一、索引与度量Metric：选择 `cosine/L2/IP`；按业务语义校准。Pods：设置 `pods/replicas` 与分片；保证可用性与吞吐。二、查询与过滤过滤：使用 Metadata 过滤缩小候选；提高精准度。Top-K：设
Content Index API 离线内容索引与检索实践
`title: Content Index API 离线内容索引与检索实践``categories: Web 开发/前端/数据管理``keywords: Content Index API,PWA,离线,索引,检索``description: 在支持的平台使用 Content Index API 为
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。
全文融合检索（2025）
RedisSearch 与 RedisJSON 向量/全文融合检索（2025）一、数据与索引JSON 存储：以 RedisJSON 存储结构化/半结构化文档。索引：RediSearch 定义 TEXT/TAG/NUMERIC 与 VECTOR 字段。二、查询与融合全文与向量：term/phrase
RAG 检索增强生成最佳实践
RAG 检索增强生成最佳实践RAG（Retrieval-Augmented Generation）通过在生成前引入检索阶段，使模型具备“查阅资料”的能力，更适合需要事实性与可追溯性的业务场景（知识问答、文档助手、客服等）。本文从架构、数据、检索、生成与评估五个方面给出落地实践指南。一、系统架构分层设
RAG 系统实践 数据到检索再到生成
覆盖从数据准备、嵌入建索引、检索到生成的完整实践路径，并给出参数选择与验证方法以提升效果稳定性。
