大模型时代的向量数据库（已完结）

.
├── 第1章 大语言模型知识能力获取与知识问答实践/
│ ├── [ 36M] 1-1【张奇】大语言模型知识获取
│ ├── [ 47M] 1-2【张奇】大语言模型中的语言和知识分区
│ └── [ 12M] 1-3【张奇】大语言模型实践性思考
├── 第2章 从混乱到秩序—揭秘生成式搜索背后的概率/
│ ├── [5.1M] 2-1【栾小凡】从混乱到秩序-揭秘生成式搜索背后的概率
│ ├── [ 14M] 2-2【栾小凡】概率，信息检索的基石
│ ├── [ 39M] 2-3【栾小凡】从统计模型到深度学习模型
│ ├── [ 32M] 2-4【栾小凡】Milvus，向量数据库不知与稠密向量
│ └── [ 41M] 2-5【栾小凡】向量数据库的未来
├── 第3章 腾讯云向量数据库的技术创新与最佳实践/
│ ├── [9.0M] 3-1【伍旭飞】向量检索的基本介绍
│ ├── [8.6M] 3-2【伍旭飞】大模型时代的向量数据库定位
│ ├── [ 28M] 3-3【伍旭飞】腾讯云VectorDB架构
│ ├── [9.5M] 3-4【伍旭飞】腾讯云VectorDB的AINative能力
│ └── [ 25M] 3-5【伍旭飞】向量数据库未来的挑战
├── 第4章 阿里云向量检索增强大模型对话系统最佳实践/
│ ├── [ 20M] 4-1【施晨】大模型时代，为什么需要向量检索？
│ ├── [ 21M] 4-2【施晨】如何用向量检索“增强”大模型
│ ├── [ 15M] 4-3【施晨】向量数据库构建
│ ├── [6.3M] 4-4【施晨】大模型对话交互
│ ├── [2.7M] 4-5【施晨】落地案例与Demo
│ └── [ 15M] 4-6【施晨】一些思考
├── 第5章 百度智能云BES在大规模向量检索场景的探索实践/
│ ├── [ 10M] 5-1【刘轩】向量数据库应用概述
│ ├── [ 50M] 5-2【刘轩】百度BES工程实践
│ ├── [4.0M] 5-3【刘轩】百度BES向量检索示例
│ └── [ 12M] 5-4【刘轩】百度BES向量数据库应用案例介绍
├── 第6章 火山引擎向量数据库VikingDB技术演进及应用/
│ ├── [7.1M] 6-1【高丽萍】火山引擎向量数据库VikingDB生产的背景
│ ├── [ 33M] 6-2【高丽萍】VikingDB技术演进
│ └── [ 19M] 6-3【高丽萍】在大模型场景的应用及展望
├── 第7章 DingoDB多模向量数据库：大模型时代的数据引擎/
│ ├── [ 17M] 7-1【焦悦光】DingoDB简介
│ ├── [ 15M] 7-2【焦悦光】DingoDB技术架构与优势
│ └── [ 14M] 7-3【焦悦光】DingoDB与大模型的最佳应用实践
├── 第8章 搜索增强型（RAG）AI原生向量数据库 AwaDB 技术创新与实践/
│ ├── [ 13M] 8-1【李洁】AwaDB背景及特点介绍
│ ├── [2.6M] 8-2【李洁】AwaDB整体架构
│ ├── [ 15M] 8-3【李洁】AwaDB核心能力介绍
│ ├── [9.4M] 8-4【李洁】AwaDB技术创新点
│ ├── [1.6M] 8-5【李洁】AwaDB实操指南
│ ├── [1.5M] 8-6【李洁】结合RAG的最新实践
│ └── [ 26M] 8-7【李洁】QA
├── 第9章 GTE：预训练语言模型驱动的文本 Embedding/
│ ├── [ 15M] 9-1【龙定坤】Embedding模型背景介绍
│ ├── [ 17M] 9-2【龙定坤】RAG范式下的EmbeddingModel
│ └── [ 77M] 9-3【龙定坤】GTEEmbeddingModel
├── 第10章 jina-embeddings-v2： 打破向量模型 512 长度限制的新思路/
│ ├── [ 48M] 10-1【王楠】文本的向量表示
│ ├── [ 18M] 10-2【王楠】RAG应用与向量模型的长度限制
│ ├── [ 34M] 10-3【王楠】jina-embeddings-v2（1）
│ └── [ 47M] 10-4【王楠】jina-embeddings-v2（2）
├── 第11章 圆桌：大模型时代向量数据库新未来/
│ ├── [ 36M] 11-1【圆桌讨论】大模型时代向量数据库新未来（1）
│ ├── [ 54M] 11-2【圆桌讨论】大模型时代向量数据库新未来（2）
│ └── [ 46M] 11-3【圆桌讨论】大模型时代向量数据库新未来（3）
├── 第12章 向量数据库在金融大模型的落地中的挑战与思考/
│ ├── [ 11M] 12-1【谭力鸣】金融大模型的定位与愿景
│ ├── [9.7M] 12-2【谭力鸣】金融大模型与知识库
│ ├── [ 63M] 12-3【谭力鸣】落地与产品实践
│ └── [ 12M] 12-4【谭力鸣】未来展望
├── 第13章 利用向量数据库搭建企业知识库的优化实践/
│ ├── [6.8M] 13-1【姜勇】建设企业知识库目前的困境
│ ├── [ 12M] 13-2【姜勇】知识管理新方式：向量数据库
│ ├── [ 41M] 13-3【姜勇】如何提高数据召回的准确率
│ └── [ 21M] 13-4【姜勇】未来企业知识库展望
├── 第14章 使用向量数据库快速构建本地轻量图片搜索引擎/
│ ├── [9.8M] 14-1【苏洋】场景简述&简明原理
│ ├── [ 21M] 14-2【苏洋】技术选型的可选选项
│ ├── [9.8M] 14-3【苏洋】实现三步走
│ └── [ 11M] 14-4【苏洋】能力验证
└── 第15章 向量数据库在大模型时代的应用/ ├── [ 53M] 15-1【章平】向量数据库在大模型时代的应用（1） └── [ 50M] 15-2【章平】向量数据库在大模型时代的应用（2）