趋近智
大型语言模型应用高级向量检索
章节 1: 近似最近邻算法
重温向量嵌入与搜索基础
分层可导航小世界 (HNSW) 内部机制
倒排文件索引 (IVF) 变体
乘积量化 (PQ) 工作原理
其他基于图的近似最近邻（ANN）方法（例如，NSG，Vamana）
选择合适的近似最近邻算法：性能取舍
HNSW的实战操作：实现与调优
章节 2: 向量搜索性能与效率的优化
量化技术：标量量化与乘积量化
实现优化乘积量化 (OPQ)
二进制哈希与局部敏感哈希 (LSH) 回顾
高级过滤策略：预过滤与后过滤
将元数据与向量一同高效索引
硬件加速考量 (CPU SIMD, GPU)
内存管理与缓存策略
实践：应用量化与过滤
章节 3: 混合搜索方法
纯向量搜索的局限性
结合关键词搜索（BM25, TF-IDF）
结果合并与排序方法
倒数排序融合（RRF）及其他融合算法
基于图的向量搜索增强
多模态搜索的考量
动手实践：构建混合搜索流程
章节 4: 面向生产系统的向量搜索扩容
分布式向量数据库架构
向量索引的分片策略
复制与高可用性
负载均衡搜索查询
向量搜索性能指标监控
生产环境中索引的更新与维护
大规模部署的成本优化
实践：配置分布式系统
章节 5: 高级调优与评估
评估指标再审视：召回率、准确率、延迟
构建用于评估的真实标准数据集
参数敏感度分析 (HNSW, IVF)
搜索算法的 A/B 测试框架
调试搜索相关性问题
在线与离线评估方法
针对特定应用需求的调整（RAG 与 语义搜索）
动手实践：全面性能评估
大型语言模型应用高级向量检索
先决条件: 机器学习与向量检索入门知识
级别:
高级
您将学到什么
高级索引算法
实施并剖析复杂的近似最近邻（ANN）索引结构，如HNSW、IVF变体和基于图的方法。
向量检索优化
应用量化（标量、乘积）等技术、先进过滤和硬件考量，以优化检索延迟和吞吐量。
混合检索实现
将向量检索与传统方法（如关键词检索（BM25）和图技术）结合，以提升关联性。
元数据过滤策略
设计并实施高效的预过滤和后过滤机制，使用相关元数据。
可扩展性与部署
架构并管理分布式向量检索系统，面向大规模生产环境下的LLM应用。
性能调优
调整索引参数和查询执行计划，以实现召回率、精确度和速度之间的最佳平衡。