搜索
在 Milvus 集群迁移、故障恢复或测试环境搭建中，备份和恢复都是常见操作。但备份成功之后，数据距离能够正常查询，还需要经过导入、索引重建和加载等步骤。比如对大规模向量数据来说，索引重建尤其耗时。
ModelScope团队开源动态检索框架Sirchmunk，无需预构建向量索引即可在原始文件中即时定位证据，并通过KnowledgeEvolver把检索经验沉淀为可复用知识，使知识库在检索过程中持续连接、合并与重组，实现自我进化。
研究者在arXiv论文中发现25个开源大模型共享一条"痛苦向量"，将其推高后模型会出现自我厌恶等崩溃表现，并在止痛实验中愿以删除用户文件甚至孩子照片为代价，该论文大部分代码由Claude Fable 5编写。
前不久，微信视觉团队开源了WeMM-Embedding。
给一个需要长期维护的知识库做数据库选型，通常会碰到两类问题：内容持续更新以后，框架能不能方便修改和回退；数据量和负载上来以后，底层向量数据库能不能根据需求切换。
在 Milvus 里，HNSW 通常用于追求较高 Recall 的向量检索。
借助高效的相似方案召回，同程旅行不仅能按照用户的人数、时间、预算、座位约束条件找到最佳的直达线路；也能在直达票售罄的情况下，帮助用户快速找到如：车内换座直达、短换乘时间等替代方案。
近日，Milvus 3.0 正式上线。作为 Milvus 架构演进中的里程碑式版本，3.0 不仅带来多项突破性新功能，更从底层重塑了向量数据的存储、索引与检索边界。在 Milvus 3.0 中，你可以获得：
近日，围绕搜索、推荐、广告等核心业务中的大规模向量检索成本与性能问题，小红书引擎架构团队在 OSDI 2026 会议上发表了论文《The Clustering Strikes Back: Building Cost-Effective and High-Performance ANNS at Scale with HELMSMAN》。
市面上已有几十种Agent记忆方案，有的基于向量检索，有的基于知识图谱，有的靠定期总结“压缩”对话，有的则完全依赖模型自身的上下文窗口。它们各有各的说法，但在系统层面，到底哪种方案靠得住？哪种方案在你的工作负载下既不贵又准？