nihao2q的博客

京东集团采用TiDB分布式数据库构建PB级数据底座，支撑1.1588万亿年营收业务。作为分库分表替代方案，TiDB解决了MySQL扩展性瓶颈，并通过TiFlash实现实时HTAP分析。在物流财务（100亿级单表）、零售（100TB数据）等场景中，迁移后性能显著提升：QPS达50万，延迟控制在20ms内。京东基于K8s容器化部署数百套集群，未来将持续推广TiDB应用，探索敏捷部署模式，强化供应链数字化基座。TiDB的高兼容性、扩展性和易运维特性，成为京东应对海量数据挑战的核心技术选择。

本文介绍了向量数据库的核心概念及应用场景。作者通过亲身经历说明传统关键词检索的局限性，指出向量数据库能通过语义相似度实现智能检索。文章详细解析了向量数据库的工作原理，包括数据向量化、存储结构和检索机制，并对比了FLAT、HNSW等不同索引算法的特点。针对相似度计算，介绍了欧几里得距离、余弦相似度等方法的应用场景。最后，作者评估了Milvus、Pinecone等主流向量数据库的优缺点，建议新手从Faiss开始学习，根据项目规模选择合适的解决方案。文章强调理解业务需求的重要性，为读者提供了实用的学习建议。

摘要：本文介绍了如何使用SpringBoot+SpringAI+Milvus构建基于RAG架构的智能问答系统。RAG(检索增强生成)技术通过语义搜索从知识库中检索相关内容，再结合大语言模型生成精准回答，有效解决传统搜索的局限性。文章详细讲解了向量数据库、语义搜索等核心概念，并提供了从环境准备、知识库构建到实现RAG服务的完整步骤。该系统能理解用户问题意图，从文档中提取相关信息，生成有据可依的答案，适用于客服、知识管理等场景。SpringAI简化了AI能力集成，使Java开发者能快速构建智能应用。

本文介绍了得物在AI场景下对向量数据库的选型与实践。文章首先分析了向量数据库与传统数据库的差异，指出向量数据库更适合处理非结构化数据的语义搜索。在选型过程中，得物对比了Milvus、Qdrant等主流方案，最终选择Milvus作为基础架构，同时引入Zilliz处理核心场景。实践部分详细阐述了部署架构的演进过程，包括资源池优化、索引选择（HNSW和DiskANN）以及高可用方案设计。文章还总结了运维经验，纠正了常见误区，并提出了未来在数据迁移闭环和一致性校验方面的规划。整体展现了得物在向量数据库领域的深度实践