作者分享知识库从 MySQL 迁移至向量数据库 + RAG 的经验
热点事件持续更新
作者分享知识库从 MySQL 迁移至向量数据库 + RAG 的经验
2 篇报道2 个报道来源2 小时前更新
先了解这件事
AI 综述
一位作者分享了企业知识库的检索架构迁移经验：将方案从 MySQL LIKE 改为向量数据库加 RAG。据其自述，在 10 万条数据规模下，检索耗时从 800ms 降至毫秒级，准确率从 42% 提升至 96.5%。 该作者两年前曾用 MySQL LIKE 搭建该知识库。文章面向 Java 工程师，给出选型决策树（已有 PG 用 pgvector、没有 PG 用 Qdrant、亿级数据才上 Milvus），以及混合检索加 RRF 融合、Rerank 精排的完整实现链路。 文中还复盘了一次小租户召回归零事故，作者据此得出的结论是：过滤条件必须下推到向量库执行。
AI 根据报道生成 · 1 小时前更新
最新进展10月19日 11:09
别再死磕 MySQL 了：向量数据库与 RAG 生产落地实录（Java 工程师专场）报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- 博客园别再死磕 MySQL 了：向量数据库与 RAG 生产落地实录（Java 工程师专场）
作者两年前用 MySQL 搭企业知识库，10 万条数据检索 800ms、准确率 42%，改用向量数据库加 RAG 后降至毫秒级、准确率拉到 96.5%。全文给出选型决策树（有 PG 用 pgvector、没 PG 用 Qdrant、亿级才上 Milvus）、混合检索加 RRF 融合加 Rerank 精排的完整 Java 链路，并复盘了一次小租户召回归零事故，结论是过滤条件必须下推到向量库执行。
- 掘金别再死磕 MySQL 了：向量数据库与 RAG 生产落地实录（Java 工程师专场）
作者两年前用 MySQL LIKE 做企业知识库，10 万条数据检索 800ms、准确率 42%，改用向量数据库 + RAG 后检索降到毫秒级、准确率升至 96.5%，本文完整拆解这条生产链路。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。