標籤

vector database

向量資料庫是 RAG、語意搜尋與 AI agent 記憶的核心基礎，負責把嵌入向量做高效檢索與相似度比對。這個主題會涵蓋 Qdrant、Milvus、Weaviate 等選型，以及延遲、規模、混合搜尋、成本與部署取捨。

8 篇文章

如何在正式環境加入 Temporal RAG

這篇教你在既有 RAG 中加入時間感知重排層，讓新版本、有效期間內的事件與最新資料優先被 LLM 使用。

Pinecone 的方向是對的：AI agents 需要先編譯好的知識工件，而不是每次即時翻找原始向量。

這篇教你用 LangGraph 建立一個會路由、檢索、驗證並回答問題的 Agentic RAG 工作流。

RAG 不再適合作為 agentic AI 的預設架構，因為代理需要可重用、可驗證的編譯式知識層，而不是每一步都重新檢索原始文本。

這篇教你用 5 個步驟做出 RAG 管線，讓模型先檢索你的文件，再根據內容產生有依據的答案。

Qdrant Cloud 把向量檢索做成企業級基礎設施，因為 AI 檢索真正需要的是速度、可用性與可稽核性，而不是只會跑 demo。

2026 年做 RAG，Qdrant、Milvus、Weaviate 各有強項。這篇用延遲、規模、混合搜尋、成本與開發體驗，直接比較三者差異。

AI agent 要能跨任務保持狀態，記憶設計就很重要。本文拆解短期、長期與外部記憶，並比較框架、資料庫與向量檢索的取捨。