《向量数据库指南》——Milvus Cloud构建 RAG

在构建高效的 RAG 式 LLM 应用程序时，我们有许多可以优化的配置，不同配置的选择极大影响了检索质量。可以选择的配置包括：

• 向量数据库的选择

• 数据选择

• Embedding 模型

• 索引类型

找到高质量、能精准符合需求的数据非常关键。如果数据不够准确，检索可能返回无关的结果。选择好相关数据之后，还要考虑使用的 Embedding 模型。因为选择的模型对检索质量也有很大影响。如果 Embedding 模型无法理解特定领域内容的语义，不论使用什么数据库，检索器都有可能给出错误的结果。上下文相关度是衡量检索质量的一个关键指标，而向量数据库的选择极大地影响了这个指标结果。

最后，索引类型可以显著影响语义搜索的效率。索引类型的选择在大型数据集面前尤其重要。不同的索引类型允许用户在召回率、速度和资源需求之间进行权衡。Milvus 支持多种索引类型，比如 FLAT、乘积量化（product quantization）索引和基于图（graph-based）的索引。

• 检索参数的选择