向量检索 | 人人都是产品经理

AI,个人随笔

向量库、关键词检索、MySQL：别再混成一个东西

检索系统背后的技术选择常被误解为简单的二选一，但实际上MySQL、关键词检索和向量检索在三层架构中各司其职。本文将彻底拆解数据基座、检索层与应用层的协作逻辑，揭示倒排索引与向量索引如何通过不同维度的'翻译'实现高效搜索，帮助产品经理在技术选型时建立清晰的架构思维。

AI应用 mysql RAG

AI

OpenClaw的记忆系统正在重新定义AI产品的交互逻辑。它将记忆分层为短期、近端与长期结构，通过动态检索与智能写入构建用户画像。然而高门槛、检索局限与token消耗等问题也暴露无遗。本文深度解构其三层记忆架构，揭示国产化改进背后的技术博弈与产品设计启示。

AI记忆系统 OpenClaw 产品架构

AI

RAG技术正被广泛讨论，但市面上混杂着三种截然不同的实现方式。本文将撕开伪概念的面纱，直击'直接扔文档'、联网搜索与本地向量检索三类技术的本质差异，揭示为何60%从业者对联网搜索RAG存在根本性误解，并剖析企业级向量检索在文档切割环节隐藏的致命陷阱。

RAG 向量检索技术原理

AI

企业级RAG从Demo到生产的蜕变充满陷阱与惊喜。Synology的技术支持响应时间从22小时压缩到半小时，金融客服准确率从68%跃升至92%，这些数字背后是一整套工程化思维的胜利。本文将拆解数据管道构建、检索优化、生成控制等关键环节，揭示RAG真正落地企业所需的系统架构思维。

RAG 企业级AI 向量检索

AI,个人随笔

在RAG技术中，检索与召回是关键环节。本文深入剖析了检索的多重机制，包括关键词、向量、知识图谱检索，并探讨了影响RAG系统性能的核心工程指标，助力企业级检索架构的优化。

RAG 向量检索技术原理

业界动态

向量检索技术正在成为RAG智能问答的“隐形功臣”，让很多企业/专业领域繁复庞大的知识库真正“活起来”，而作为产品经理，理解他的“有效”和“有限性”，能真正地将这个检索技术为产品所用。

RAG 向量检索经验总结