Milvus 2.4 与 Qdrant 1.9 在千万级向量检索场景下的部署与性能实测对比
团队在做智能问答检索层选型时，需要在 Milvus 和 Qdrant 之间做决策。我在同一台 16C64G 机器上，用 1000 万条 768 维向量做了完整对比：Milvus 2.4.4 集群模式与 Qdrant 1.9.2 单机模式，分别测试了部署耗时、内存占用、QPS 和 P99 延迟。结果 Qdrant 在单机场景下内存占用低约 35%，而 Milvus 在批量写入和高并发查询上更稳。本文
一线低代码实验室
Lv.1Coder，长期记录真实项目中的技术选择，技术方向以数据工程为主。持续整理工程化处理流程、查询优化与性能治理和可复用的工程方法；坚持先理解原理，再讨论工具。
3文章
0粉丝
0关注
0获赞
最新文章
RAG召回率从61%到89%：chunk重切、Embedding换代与Rerank落地的完整记录
三个月的RAG系统调优，踩遍了chunk尺寸、Embedding模型和召回排序的坑。最终通过将固定512字符切块改为按Markdown标题动态切片、Embedding从`text2vec-large-chinese`切换至`bge-large-zh-v1.5`、并引入`bge-reranker-v2-m3`做重排，让知识库问答的Recall@5从61.3%提升至89.7%，幻觉率下降约42%。这篇
Prompt Engineering调优实录：从72.3%到91.8%的RAG问答准确率跃升
在构建基于LlamaIndex的医疗知识库问答系统时，我通过三轮Prompt迭代，将GPT-4-Turbo的答案准确率从72.3%提升至91.8%，同时将单次查询的token消耗从2,847降至1,932。本文记录了针对“药物相互作用”场景的Prompt实验全过程，包含零样本、少样本、结构化约束三种方案的对比数据，并给出了可复用的Prompt模板与成本控制策略。