<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>向量数据库 :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Fri, 30 Oct 2026 14:47:30 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/tags/%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93/index.xml" rel="self" type="application/rss+xml"/><item><title>Embedding 与向量数据库：模型选型、PGVector/Milvus/Chroma 对比</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/Embedding%E4%B8%8E%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E6%A8%A1%E5%9E%8B%E9%80%89%E5%9E%8BPGVectorMilvusChroma%E5%AF%B9%E6%AF%94/index.html</link><pubDate>Fri, 03 Jul 2026 15:17:54 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/Embedding%E4%B8%8E%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E6%A8%A1%E5%9E%8B%E9%80%89%E5%9E%8BPGVectorMilvusChroma%E5%AF%B9%E6%AF%94/index.html</guid><description>在 RAG（Retrieval-Augmented Generation）系统的技术栈中，Embedding 模型和向量数据库构成了检索能力的两大基石。前者决定了文本能否被精确地表示为数学向量，后者决定了这些向量能否被高效地存储和检索。选型不当的 Embedding 模型会导致语义匹配失准，而选型不当的向量数据库则会在规模增长时成为系统瓶颈。</description></item><item><title>Agent 记忆系统：短期/长期/工作记忆的技术方案对比</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent%E8%AE%B0%E5%BF%86%E7%B3%BB%E7%BB%9F%E7%9F%AD%E6%9C%9F%E9%95%BF%E6%9C%9F%E5%B7%A5%E4%BD%9C%E8%AE%B0%E5%BF%86%E7%9A%84%E6%8A%80%E6%9C%AF%E6%96%B9%E6%A1%88%E5%AF%B9%E6%AF%94/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent%E8%AE%B0%E5%BF%86%E7%B3%BB%E7%BB%9F%E7%9F%AD%E6%9C%9F%E9%95%BF%E6%9C%9F%E5%B7%A5%E4%BD%9C%E8%AE%B0%E5%BF%86%E7%9A%84%E6%8A%80%E6%9C%AF%E6%96%B9%E6%A1%88%E5%AF%B9%E6%AF%94/index.html</guid><description>一、为什么 Agent 需要记忆 1.1 从无状态到有状态的范式跃迁 大语言模型（LLM）本质上是一个无状态的函数：每次调用传入一段文本，返回一段文本。模型本身不保留任何跨调用的上下文。这意味着，当你对 ChatGPT 说"我叫张三"，下一次对话它并不记得你。</description></item><item><title>RAG的去向量化浪潮：从向量数据库到树索引、重计算与知识图谱的三条路线</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E7%9A%84%E5%8E%BB%E5%90%91%E9%87%8F%E5%8C%96%E6%B5%AA%E6%BD%AE%E4%BB%8E%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E5%88%B0%E6%A0%91%E7%B4%A2%E5%BC%95%E9%87%8D%E8%AE%A1%E7%AE%97%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E7%9A%84%E4%B8%89%E6%9D%A1%E8%B7%AF%E7%BA%BF/index.html</link><pubDate>Sun, 20 Sep 2026 23:40:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/RAG%E7%9A%84%E5%8E%BB%E5%90%91%E9%87%8F%E5%8C%96%E6%B5%AA%E6%BD%AE%E4%BB%8E%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E5%88%B0%E6%A0%91%E7%B4%A2%E5%BC%95%E9%87%8D%E8%AE%A1%E7%AE%97%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E7%9A%84%E4%B8%89%E6%9D%A1%E8%B7%AF%E7%BA%BF/index.html</guid><description>RAG 的去向量化浪潮：向量索引正在被三路夹击 为什么值得关注 过去两年，“RAG = Embedding + 向量数据库"几乎是默认架构。到了 2026 年 9 月，这个等式正在被三个方向同时松动：</description></item></channel></rss>