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
重温向量嵌入与搜索基础
这部分内容有帮助吗？
- Introduction to Information Retrieval, Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze, 2008 (Cambridge University Press) - 这本教材提供了向量空间模型、相似度度量以及信息检索和语义搜索原理的基础知识，解释了文本如何被表示为向量以及如何衡量相似度。
- Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks, Nils Reimers and Iryna Gurevych, 2019 Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP) (Association for Computational Linguistics) DOI: 10.18653/v1/D19-1410 - 本文介绍了Sentence-BERT，一种生成高质量句子嵌入的模型，可直接应用于现代大型语言模型（LLM）应用程序中的语义相似度任务，并解释了如何推导上下文嵌入。
- Approximate Nearest Neighbors: Towards Optimal Solutions, Piotr Indyk, Rajeev Motwani, 1998 Proceedings of the thirtieth annual ACM symposium on Theory of computing (Association for Computing Machinery (ACM)) DOI: 10.1145/276698.276876 - 一篇开创性的理论论文，为近似最近邻（ANN）搜索奠定了基础，阐述了高维空间中精确搜索的计算挑战，并推动了近似方法的发展。