Milvus与Qdrant选型实测：千万级向量检索下的部署与资源博弈
在电商以图搜图业务中，面对1000万条768维向量，Milvus 2.4与Qdrant 1.9在同等硬件下表现迥异。Milvus靠Knowhere索引库在查询延迟上胜出（P99 12ms vs 18ms），但Qdrant的Rust底层将内存占用压低了近40%。本文给出双系统的Docker Compose部署、压测脚本及调参全过程，并曝光一个Milvus的段文件合并坑——不处理的话，写入吞吐会直接腰
灯下漫游集
Lv.1把零散灵感沉淀为可复用的方法，关注技术学习与数字生活，记录知识体系搭建、学习路径整理和真实实践中的思考；习惯用项目结果检验技术判断。技术会变化，解决问题的方法值得长期积累。
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重构与rerank二阶段调优实录
在私有知识库问答项目中，基线RAG体系（BGE-large + 固定256字chunk）的Hit@5召回率仅61.3%，答案准确率不足五成。本文记录完整调优链路：通过自适应chunk（按Markdown标题与段落切分，窗口重叠64字）将召回率提升至74.8%；切换bge-m3 embedding（输出维度1024）后召回率升至81.2%，但引入bge-reranker-large进行二阶段精排后，
手把手教你用LangChain+DeepSeek搭建本地RAG知识库实战
本文详细讲解如何利用LangChain框架与DeepSeek大模型，结合本地文档构建RAG知识库。从环境配置、文档切分、向量存储到检索问答，全程附带代码示例与踩坑记录，适合AI开发者直接上手实践。