Binance Casino,USDT娱乐,数字货币游戏,区块链游戏,BTC娱乐场,USDT投注,数字资产平台,体育娱乐,电子游艺,快速提现本文介绍了向量数据库和嵌入模型的概念及应用，重点探讨了两者在AI技术栈中的协作关系。向量数据库是一种用于存储高维向量数据的解决方案，支持相似性搜索而非传统的关系型数据库精确匹配。文中通过实例展示了如何使用阿里百炼的文本嵌入模型（text-embedding-v3）将文本向量化，并结合Qdrant向量数据库进行存储与检索。代码示例部分详细说明了从文本嵌入到向量存储及查询的完整流程，为开发者提供了实践参考。

　　各位读者朋友们，感谢您阅读到本文，我是笠泱，这是《人工智能&机器学习》系列第二期，本期分享向量数据库（Vector Database）和嵌入模型（Embedding Model）。

　　关注AI、大模型的朋友们应该都听过用RAG（Retrieval-augmented Generation，检索增强生成）搭建知识库，RAG的基础组成之二就是向量数据库和嵌入模型，在当下的IT领域，至少有四类数据库是必须了解，以Mysql为代表的关系型数据库(RDBMS)，以Redis、MongoDB为代表的NoSQL，以Amazon Aurora、TiDB、OceanBase为代表的NewSQL，再者就是向量数据库。

　　Vector是向量或矢量的意思，向量是数学里的概念，而矢量是物理里的概念，但二者描述的是同一件事。向量的准确定义：向量是用于表示具有大小和方向的量。具体而言，向量可以在不同的维度空间中定义，最常见的是二维和三维空间中的向量，但理论上也可以有更高维的向量。例如，在二维平面上的一个向量可以写作（x,y），这里x和y分别表示该向量沿两个坐标轴方向上的分量；而在三维空间里，则会有一个额外的z坐标，即（x,y,z)。

　　如我们所见，每个数值向量都有 x 和 y 坐标（或者在多维系统中是 x、y、z，...）。x、y、z... 是这个向量空间的轴，称为维度。对于我们想要表示为向量的一些非数值实体，我们首先需要决定这些维度，并为每个实体在每个维度上分配一个值。

　　例如，在一个交通工具数据集中，我们可以定义四个维度：“轮子数量”、“是否有发动机”、“是否可以在地上开动”和“最大乘客数”。然后我们可以将一些车辆表示为：

　　因此，我们的汽车Car向量将是 (4, yes, yes, 5)，或者用数值表示为 (4, 1, 1, 5)（将 yes 设为 1，no 设为0）。向量的每个维度代表数据的不同特性，维度越多对事务的描述越精确，我们可以使用“是否有翅膀”、“是否使用柴油”、“最高速度”、“平均重量”、“价格”等等更多的维度信息。

　　每个向量都有一个长度和方向。例如，在这个图中，p 和 a 指向相同的方向，但长度不同。p 和 b 正好指向相反的方向，但有相同的长度。然后还有c，长度比p短一点，方向不完全相同，但很接近。

　　如果“相似”仅仅意味着指向相似的方向，那么a 是最接近 p 的。接下来是 c。b 是最不相似的，因为它正好指向与p 相反的方向。如果“相似”仅仅意味着相似的长度，那么 b 是最接近 p 的（因为它有相同的长度）， 接下来是 c，然后是 a。

　　由于向量通常用于描述语义意义，仅仅看长度通常无法满足需求。大多数相似度测量要么仅依赖于方向，要么同时考虑方向和大小。

　　在数学中向量间的相似度测量即相似度计算，有四种常见的计算方法，这里不展开讨论。

　　向量存储（Vector Database/VectorStore）是一种用于存储和检索高维向量数据的数据库或存储解决方案，它特别适用于处理那些经过嵌入模型转化后的数据。在向量数据库中，查询与传统关系数据库不同，它们执行相似性搜索，而不是精确匹配。当给定一个向量作为查询时，VectorStore返回与查询向量“相似的向量。比如说在使用一个商城系统的向量数据库进行查询的时候，用户输入“北京”，其可能返回的结果会是 “中国、北京、华北、首都、奥运会” 等信息；输入“沈阳”，其返回结果可能会是“东北、辽宁、雪花、重工业”等信息。当然，返回的信息取决于向量数据库中存在的数据。用户可以通过参数的设置来限定返回的情况，进而适配不同的需求。

　　向量数据库用于将您的数据与Al模型集成。在使用它们时的第一步是将您的数据加载到向量数据库中。然后，当要将用户查询发送到AI模型时，首先检索一组相似文档。然后，这些文档作为用户问题的上下文，并与用户的查询一起发送到Al模型。这种技术被称为检索增强生（RetrievalAugmentedGeneration, RAG )。

　　说人话核心就是将文本、图像和视频等等转换为一组浮点数数组（即向量）后进行存储的系统就是向量数据库，其查询与传统关系数据库不同，向量数据库执行相似性搜索，而不是精确匹配。当给定一个向量作为查询时，向量数据库返回与查询向量“相似的向量。

　　嵌入模型（Embedding Model）和向量数据库（Vector Database/Vector Store）是一对亲密无间的合作伙伴，也是 AI 技术栈中紧密关联的两大核心组件，两者的协同作用构成了现代语义搜索、推荐系统和 RAG（Retrieval Augmented Generation，检索增强生成）等应用的技术基础。

　　嵌入（Embedding）的工作原理是将文本、图像和视频转换为称为向量（Vectors）的浮点数数组。这些向量旨在捕捉文本、图像和视频的含义。嵌入数组的长度称为向量的维度（Dimensionality）。

　　嵌入模型（EmbeddingModel）是嵌入过程中采用的模型。当前EmbeddingModel的接口主要用于将文本转换为数值向量，接口的设计主要围绕这两个目标展开：

　　可移植性：该接口确保在各种嵌入模型之间的轻松适配。它允许开发者在不同的嵌入技术或模型之间切换，所需的代码更改最小化。这一设计与Spring模块化和互换性的理念一致。

　　简单性：嵌入模型简化了文本转换为嵌入的过程。通过提供如embed(String text）和embed(Document document）这样简单的方法，它去除了处理原始文本数据和嵌入算法的复杂性。这个设计选择使开发者，尤其是那些初次接触AI的开发者，更容易在他们的应用程序中使用嵌入，而无需深入了解其底层机制。

　　嵌入模型是一种机器学习模型，旨在在连续的低维向量空间中表示数据（例如文本、图像或其他形式的信息）。这些嵌入可以捕获数据之间的语义或上下文相似性，使机器能够更有效地执行比较、聚类或分类等任务。

　　假设你想描述不同的水果。你不用长篇大论，而是用数字来描述甜度、大小和颜色等特征。例如，苹果可能是[8，5.7]，而香蕉是[9，7，4]。这些数字使比较或对相似的水果进行分组变得更容易。

　　上述讲了理论概念，没有实际操作会不够具象化理解，嵌入模型选择阿里百炼平台的通用文本向量-v3（text-embedding-v3），当然你也可以选择其他平台的嵌入模型，如BAAI/bge-m3等

　　text-embedding-v3嵌入模型（1024维）向量化后存入Qdrant

　　最后，感谢您的阅读！系列文章会同步更新在微信公众号@云上的喵酱、阿里云开发者社区@云上的喵酱、CSDN@笠泱，您的点赞+关注+转发是我后续更新的动力！

　　AnalyticDB PostgreSQL 企业智能数据中台：一站式管理数据服务资产

　　企业在数据仓库之上可构建丰富的数据服务用以支持数据应用及业务场景；ADB PG推出全新企业智能数据平台，用以帮助用户一站式的管理企业数据服务资产，包括创建， 管理，探索， 监控等； 助力企业在现有平台之上快速构建起数据服务资产体系

　　嵌入是RAG系统的核心，将文本转化为语义向量，实现基于含义的检索。本文详解嵌入原理、关键参数及主流开源模型，助你根据分块大小、语言需求和性能约束，选择最合适的嵌入方案，提升RAG效果。

　　阿⾥云Milvus是⼀款云上全托管服务，提供⼤规模向量数据的相似性检索服务。100%兼容开源Milvus，在开源版本的基础上增强了可扩展性，具备易⽤性、可⽤性、安全性、低成本与⽣态优势。阿⾥云Milvus可以⽀持⼏乎所有涉及到向量搜索的场景。例如检索增强⽣成RAG，以及经典的搜索推荐、多模态检索等。阿里云Milvus可存储百炼产生的向量数据，并进行大规模向量数据的检索。本文将重点介绍这一过程的方案。

　　【MCP教程系列】搭建基于 Spring AI 的 SSE 模式 MCP 服务并自定义部署至阿里云百炼

　　本文详细介绍了如何基于Spring AI搭建支持SSE模式的MCP服务，并成功集成至阿里云百炼大模型平台。通过四个步骤实现从零到Agent的构建，包括项目创建、工具开发、服务测试与部署。文章还提供了具体代码示例和操作截图，帮助读者快速上手。最终，将自定义SSE MCP服务集成到百炼平台，完成智能体应用的创建与测试。适合希望了解SSE实时交互及大模型集成的开发者参考。

　　阿里云是全球领先的云计算与人工智能科技公司，其强大的技术实力和丰富的解决方案正深刻影响企业运营与竞争力。依托坚实的云计算基础设施，阿里云提供弹性计算、存储与网络服务，满足多样化需求。在AI与大数据领域，机器学习平台PAI及MaxCompute助力智能决策与创新应用。同时，阿里云构建全方位安全防护体系，保障数据隐私，并通过活跃的开发者社区与生态合作推动行业进步。未来，阿里云将持续加大研发投入，优化云原生技术，深化AI与大数据研究，引领数字化转型潮流，共创美好未来。

　　构建基于Java的AI智能体：使用LangChain4j与Spring AI实现RAG应用

　　当大模型需要处理私有、实时的数据时，检索增强生成（RAG）技术成为了核心解决方案。本文深入探讨如何在Java生态中构建具备RAG能力的AI智能体。我们将介绍新兴的Spring AI项目与成熟的LangChain4j框架，详细演示如何从零开始构建一个能够查询私有知识库的智能问答系统。内容涵盖文档加载与分块、向量数据库集成、语义检索以及与大模型的最终合成，并提供完整的代码实现，为Java开发者开启构建复杂AI智能体的大门。

　　团队做 AI 助理，而我之前除了使用一些 AI 类产品，并没有大模型相关的积累。故先补齐一些基本概念，避免和团队同学沟通起来一头雾水。这篇文章是学习李宏毅老师《生成式 AI 导论》的学习笔记。

　　基于Spring AI Alibaba + Spring Boot + Ollama搭建本地AI对话机器人API

　　Spring AI Alibaba集成Ollama，基于Java构建本地大模型应用，支持流式对线j接口可视化，实现高隐私、免API密钥的离线AI服务。

　　一句话生成拓扑图！AI+Draw.io 封神开源组合，工具让你的效率爆炸

　　基于Spring AI Alibaba + Spring Boot + Ollama搭建本地AI对话机器人API

　　ollama + qwen2.5-coder + VS Code + Continue 实现本地AI 辅助写代码

　　深度解析智能体工作流(Agentic Workflows)：核心概念、模式与应用

　　llama factory 从数据集起步 跑通 qwen系列开源生成式大模型 微调

　　构建AI智能体：七十一、模型评估指南：准确率、精确率、F1分数与ROC/AUC的深度解析

　　AI也会三思而后答？揭秘Self-RAG智能检索术

　　构建AI智能体：六十七、超参数如何影响大模型？通俗讲解原理、作用与实战示例