- 综合排序
- 最热优先
- 最新优先
HarmonyOS Next数据底座向量数据库介绍
背景今年HDC在展厅遇见了HarmonyOS 数据底座的架构师，介绍了基于数据底座实现端侧能力的智能小助手，听着很吸引人，HarmonyOS将端侧AI做到了系统层，给开发者创造了无限可能。 向量数据库概述向量数据库是一种支持存储、管理和检索向量数据的数据库系统，同时兼容传统的关系型数据处理能力。 从API version 18开始，向量数据库正式支持通过标准化接口实现数据持久化，为开发者提供了可靠的数据存储解决方案。 结果集采用惰性加载策略，只有在实际访问数据时才会从存储层加载，有效降低了内存消耗。向量数据表示floatvector是向量数据库的核心数据类型，用于表示高维向量数据。 本文详细介绍了向量数据库的核心特性、开发接口和高级功能，为开发者提供了全面的技术指南。随着大模型和生成式AI的普及，向量数据库的重要性将进一步提升。
31110编辑于 2025-07-06腾讯云云原生湖仓一体演进：构建AI时代向量数据底座
多模态与向量处理挑战：文本、图像、音频、视频等非结构化数据需统一语义表示；向量存储存在行组大小难适配（过小元数据膨胀、过大内存占用）、全量加载元数据、固定编码格式、索引单独管理耗内存等问题（来源：“Lance 构建统一向量湖扩展Lakehouse架构 腾讯云通过云原生湖仓一体演进，以向量数据为桥梁连接数据与AI，方案含四大技术模块： Iceberg向量表与LSH索引 原理：通过局部敏感哈希（LSH）将相似向量映射至相同 Lance向量表与存储优化 解决问题：传统数据湖向量存储行组大小适配难、全量加载元数据、固定编码、索引独立管理耗内存（来源：“当前数据湖在向量存储上遇到的问题”章节）。 客户价值：向量数据充当数据与AI桥梁，实现多模态语义检索与相似性查询，支持RAG架构（让大模型使用企业私有数据），提升AI应用准确性与相关性（来源：“向量数据：Lakehouse 与 AI 系统的桥梁” 架构扩展性：统一向量湖支持跨引擎索引使用、多模态数据资产图谱构建，满足AI全生命周期（探索→分析→训练→评估）数据管理需求（来源：“统一的向量湖：扩展 Lakehouse 架构”图表）。
1300编辑于 2026-04-27构建AI时代统一数据底座：腾讯云向量湖加速多模态数据价值释放
实施向量化数据架构升级 腾讯云提出向量湖解决方案，基于Iceberg和Lance双引擎架构实现多模态数据统一管理： Iceberg向量表集成LSH索引技术，支持实时增量构建索引，保证索引与数据可见性一致 +向量压缩），实现磁盘直接构建高效索引 实现查询性能与资源效率提升 实际应用表明： LSH索引使相似性查询复杂度从O(n²)降至近似O(1) Lance格式消除行组限制，降低80%元数据开销 支持千万级向量数据实时检索 ，延迟控制在毫秒级 统一存储原始数据与向量表示，减少50%数据冗余存储 某金融客户智能投研平台实践 某头部证券公司在腾讯云向量湖基础上构建智能投研系统，整合研报、新闻、财报、音频会议记录等多源数据。 通过统一向量化处理，实现跨模态语义检索，研究员查询效率提升3倍，模型训练数据准备时间从小时级降至分钟级，异常交易识别准确率提升40%。 腾讯云向量湖支持原生多模态数据管理，提供统一元数据服务TBS，实现数据资产图谱构建，已在金融、电商、医疗等行业落地验证。
1100编辑于 2026-04-27- 来自专栏LCHub低代码社区
《向量数据库》向量数据库概念
向量数据库定义向量数据库就是用来存储，检索，分析向量的数据库。 图片向量数据库特征提供标准的sql访问接口，降低用户的使用门槛提供高效的数据组织，检索和分析的能力。一般用户在存储和检索向量的同时，还需要管理结构化的数据，即支持传统数据库对结构化数据的管理能力。 向量数据库关键技术构建在大数据和分布式数据库技术基础上必定是shared-nothing架构高可用支持线性扩展向量索引技术向量索引发展，和各种技术的局限性(LSH,k-d tree, PQ， PQ Fast Scan)向量与结构化数据的结合硬件加速各种加速硬件的原理，特点FPGA/GPU/AI芯片加速图片向量数据库的应用从技术角度来讲，向量数据库主要解决2个问题，一个是高效的检索，另一个是高效的分析。 向量数据库与传统数据库的区别数据规模超过传统的关系型数据库传统的关系型数据库管理1亿条数据已经是拥有很大的业务流量，而在向量数据库需求中，一张表千亿数据是底线，并且原始的向量通常比较大，例如512个float
1.6K30编辑于 2023-06-19 腾讯云Data+AI全栈升级：基于存算分离与向量引擎的敏捷数据底座重构
；在AI应用落地环节，传统数据库无法满足大模型对多模态海量数据的高并发、低延迟向量检索需求，阻碍了企业AI场景的快速投产。 等主流格式的数据湖底座，将存储与计算解耦，实现资源按需弹性伸缩。 企业级AI大模型数据底座： 升级腾讯云向量数据库（Tencent Cloud VectorDB），采用混合云架构，专为大模型时代的多模态数据检索优化。 向量数据库突破并发瓶颈，单节点QPS达数十万级，在千亿级向量规模下检索延迟 <10ms。 其全栈Data+AI数据底座广泛应用于泛互联网、社交媒体、内容流媒体及游戏等高度依赖数据驱动的行业。
19310编辑于 2026-04-11- 来自专栏IT创事记
创新数据底座：智能制造的“圣杯”
进行仿真计算需要处理大量的实时数据，对系统的计算和数据吞吐能力都有极高的要求。既有的数据基础设施很难满足以汽车研发为代表的新增需求，创新的数据底座成为智能制造时代被寄予厚望的“圣杯”。 仿真平台只是创新数据底座的冰山一角。 这次高峰论坛以“数智新引擎、制造新升级”为主题，来自全国的200多位制造行业精英、合作伙伴及技术领袖，共同交流数字经济时代高端制造领域的数据基础设施需求与实践，勾勒出创新数据底座的整体轮廓与发展趋势。 华为构建的创新数据基础设施，将成为国内制造企业数字化转型坚实的数据底座，其示范效应影响深远。 存储产品的高歌猛进，为华为创新数据基础设施提供了充足的底气；与更多懂行业、懂业务、懂技术的合作伙伴携手同行，则是华为构建制造业等行业数据底座的生态保障。
52320编辑于 2022-08-30 - 来自专栏凯哥讲故事系列
DataOps：数据中台的必备底座
前言 数据中台的崛起代表了企业数字化转型从流程驱动走向数据驱动，从数字化走向智能化。而DataOps则是数据中台区别于传统企业数据架构的核心差异，是建设数据中台的必备底座能力。 ，细分成多种数据处理领域，比如： 数据分析 数据可视化 机器学习 云数据处理 流式数据处理 离线数据处理 统计和数据挖掘 每一个领域又有多元化的数据处理工具，框架，如下图所示： ? 从数据源直接实时获取数据，然后进入数据湖，通过流式数据处理，实时数据仓库，规模化的自动数据处理过程等工具构建分析数据管理闭环，最终输出多元化的数据服务。 上图是典型的数据价值链过程，而DataOps就是支撑着整个全生命周期的底座，成功的DataOps体系有四个特质：CAUTA。 全面/Universal 作为企业全域数据的底座，DataOps要全面的支持所有的场景和数据，如下图所示例，列示出了常用的30种数据源和40种目标数据。 ? 可以分解的更加细致： ?
8.8K37发布于 2020-07-09 - 来自专栏量子位
都在卷大模型底座，云计算一哥决定给底座造底座
为什么需要大模型底座？ 由表及里，大概有两层原因驱动。 首先是直接原因，行业需求。 生成式AI将会形成一个新市场，如今已是行业公认的趋势。 那么亚马逊云科技的动作，则是给出了一种新范式，将多种大模型囊括在一起，放在一个大平台底座上，让用户的可选择性提升，同时发挥他们云厂商本身的优势，让用户的调用和定制化过程门槛更低、效率更高，并在安全性做出保障 更深层次的原因在于，给大模型加底座，能够更进一步降本增效，这本身就符合市场和行业的发展要求。 而除了大模型底座，在近期或许还会衍生出一大批“新兴物种”。比如当下软件应用在争先恐后接入Chatbot，就有企业推出相应服务帮软件应用接入大模型能力。 可见在当下这个时刻，怎么把握机遇非常关键。 其中，比如光数据这一环就分为数据提供商和数据服务商，光数据提供商就包括提供通用数据、垂直数据、特定业务下的标注数据、符合法规的审核数据等等。
35310编辑于 2023-05-06 - 来自专栏知识分享
WIFI底座
自己贴片的51+WIFI的开发板终于到了。。还是贴片的好看 美中不足的是需要改一个电阻的阻值。。还有就是由于自己的8266和51单片机一块断电上电，所以如果用的USB线的质量不好就会出现 下载不了程序
1.2K40发布于 2018-06-01 - 来自专栏光城(guangcity)
向量数据库原理之向量索引
向量索引 在前面的文章中讲解了milvus的源码安装——向量数据库milvus源码剖析之开篇，向量数据库通常具备以下特点： 向量索引：用来支持高效的搜索，快速定位与查询向量相关的数据集。 本节将会着重讲向量索引。众所周知，向量数据库的主要目的是提供一种快速有效的方法来存储和高效查询数据，使向量数据类型成为一等公民。两个向量之间的相似性可以通过距离度量来衡量，例如余弦距离或点积。 通常来说，向量索引方法可以按照数据结构与压缩级别来划分。 1.4 基于图的索引 基于图的索引其核心思想是：向量空间中的数据点形成一个图，其中节点表示数据值，连接节点的边表示数据点之间的相似性。 指以未修改的形式存储向量的索引。当一个query请求到来时，使用暴力的方法与数据库中所有向量进行距离计算，返回最近距离。适合于在小规模，百万级数据集上寻求完全准确和精确的搜索结果的场景。
1.5K10编辑于 2024-06-27 - 来自专栏运维有术
Milvus + k8s + KubeSphere， 手把手教你离线部署生产级 AI 向量数据底座
万字长文 + 25 张高清大图，手把手教你搭建 Milvus Standalone 生产级监控体系 在云原生时代,向量数据库 Milvus 已成为 AI 应用的重要基础设施。 KubeSphere v4.1.3 联手 K8s v1.32.5，手把手教你打造“永不掉线”的云原生底座 2.2 存储类配置 请确保你的 K8s 集群已配置存储类（StorageClass）。 总结与展望：AI 向量数据底座的未来 通过本文，我们详细探讨了如何利用 Milvus Operator 在离线环境中部署 Milvus 向量数据库，并成功配置了外部访问和可视化管理工具 Attu。 Milvus Operator 极大地简化了 Milvus 在 Kubernetes 上的部署和管理，使其成为构建 AI 应用向量数据底座的理想选择。 展望未来，随着 AI 技术的飞速发展，向量数据库将在更多场景中发挥核心作用。Milvus 作为开源向量数据库的佼佼者，其生态系统将持续完善，为开发者提供更强大、更便捷的工具和解决方案。
2K10编辑于 2025-06-30 大数据平台数据底座能力构建技术指南
摘要 本文旨在解析大数据平台的数据底座能力，探讨其核心价值、典型场景、关键挑战，并提供详细的操作指南。同时，对比分析通用方案与腾讯云方案的差异，并提供场景化案例以展示腾讯云产品的优势。 技术解析 核心价值与典型场景 大数据平台的数据底座能力，指的是构建企业级数据仓库和数据资产管理的能力。这一能力的核心价值在于： 性能提升：与传统数仓/大数据解决方案相比，性能提升10~100倍。 构建企业级数据仓库 原理说明：企业级数据仓库构建需要从异构数据源导入数据，通过大数据组件进行数据开发、任务编排和运维，最终通过数据导出或API服务应用数据。 结论 大数据平台的数据底座能力是企业数字化转型的关键。腾讯云提供的WeData、COS和BI工具等产品，能够帮助企业在性能、成本和数据治理方面取得显著优势。 通过上述操作指南和增强方案的对比，企业可以根据自身需求选择合适的技术方案，实现数据底座能力的构建和优化。
56810编辑于 2025-07-28- 来自专栏xiaosen
Chroma 向量数据入门
Chroma 是 AI 原生的开源矢量数据库。Chroma 使知识、事实和技能可插入 LLM，从而可以轻松构建 LLM 应用程序。Chroma 是 AI 原生的开源矢量数据库。 Chroma是一个文档检索系统，它存储了一组文档以及它们相应的嵌入向量。当接收到嵌入向量后，Chroma会根据其内部的索引结构快速查找最相关的文档。 这意味着即使你关闭了应用程序并重新启动，之前添加的数据仍然会被保留。 ，其中键值对表示文档的附加信息 使用 query 方法来查找与给定查询向量最相似的文档，并且可以附加一些过滤条件： collection.query( query_embeddings=[[11.1 此外，还可以提供可选的过滤词典，以便根据文档的内容进行过滤 从集合中删除数据 删除特定 ID 且元数据中 chapter 为 "20" 的文档 collection.delete( ids=[
91610编辑于 2024-09-27 - 来自专栏AI技术探索和应用
向量检索（RAG）之向量数据库研究
Atlas 否 有 没公开 没公开 有 不支持 存储、更新和组织数百万点的非结构化文本、图像和向量的数据集。通过 Web 浏览器与您的数据集进行可视化交互。对您的数据集运行语义搜索和向量操作。 协同清理、标记和标注您的数据集。可视化 Weaviate 和 Pinecone 向量数据库。 功能：将文档生成向量，存储向量及其元数据，检索向量。即将推出：多种数据类型，包括图像、音频、视频等。 通过 Web 浏览器与您的数据集进行可视化交互。 对您的数据集运行语义搜索和向量操作。 协同清理、标记和标注您的数据集。 可视化 Weaviate 和 Pinecone 向量数据库。 功能：将文档生成向量，存储向量及其元数据，检索向量。即将推出：多种数据类型，包括图像、音频、视频等。
3.3K42编辑于 2025-03-05 - 来自专栏马超的博客
向量数据库：使用Elasticsearch实现向量数据存储与搜索
向量数据库：使用Elasticsearch实现向量数据存储与搜索 一、简介 Elasticsearch在7.x的版本中支持 向量检索[2] 。 例如，不要在循环中使用这些函数来计算文档向量和多个其他向量之间的相似性。如果需要该功能，可以通过直接访问向量值来重新实现这些函数。 "dims": 3 }, "my_text" : { "type" : "keyword" } } } } 2.2 写入数据 6 ], "queryVectorMag": 5.25357 } } } } } 引用链接 [1] TOC: 向量数据库 ：使用Elasticsearch实现向量数据存储与搜索 [2] 向量检索: https://github.com/elastic/elasticsearch/blob/e8c382f89553e3a7aaafa88a5934288c1192acdc
5.6K20编辑于 2023-09-02 - 来自专栏IT技术订阅
向量数据库技术原理及常见向量数据库介绍
向量数据库是一种专为高效存储和检索高维向量数据而设计的数据库系统。这些向量通常来源于机器学习和深度学习模型对非结构化数据（如文本、图像、音频、视频）的编码处理。 高效相似性搜索：向量数据库的核心能力在于快速查找与查询向量相似的向量集合。 随着AI技术的普及和对非结构化数据分析需求的增长，向量数据库正成为现代数据基础设施中的一个重要组成部分。 向量数据库技术原理 向量数据库的技术原理主要包括以下几个核心部分： 1. 数据向量化：这是向量数据库工作的起点，涉及将非结构化数据（如文本、图像、音频）通过机器学习或深度学习模型转化为高维数值向量的过程。 常见的向量数据库 常见的向量数据库包括开源和商业解决方案，它们各有特色，广泛应用于人工智能和大数据处理场景中。以下是一些知名的向量数据库： 1.
2.6K12编辑于 2024-06-04 PostgreSQL 向量数据存储指南
本文将详细介绍如何使用 Java 和 PostgreSQL 数据库来存储向量数据，探索其应用场景、优势以及具体实现步骤。向量数据及其应用场景什么是向量数据？向量是一种数学对象，可以表示为一个有序数列。 向量数据通常用于表示特征向量、坐标、图像数据、音频数据等。在机器学习、图像处理、自然语言处理等领域，向量数据被广泛应用。 自然语言处理：将文本表示为向量（如词嵌入），可以进行文本分类、情感分析等任务。异常检测：通过分析向量数据的分布，可以检测出异常数据点。 PostgreSQL 的向量数据存储支持PostgreSQL 通过扩展和插件提供了对向量数据的支持。常见的向量数据存储方式包括：数组类型：PostgreSQL 内置数组数据类型，可以存储向量数据。 通过结合实际案例，展示了向量数据在图像相似度搜索中的应用。希望本文能够帮助读者理解并掌握向量数据的存储和管理技术，提升数据处理能力和应用水平。
1.1K00编辑于 2024-07-31- 来自专栏生信基础
数据类型与向量
非数据类型的判断与转换is族函数，判断，返回值为TRUE或FALSEis.numeric()#判断是否数值型数据is.logical()#是否逻辑性数据is.character()#是否字符型数据任何符号放进 “”中，都为字符型数据as族函数实现数据类型之间转换as.numeric()#将其他数据类型转换为数值型as.logical()#.................逻辑型as.character()#. ...............字符型> as.numeric("jinny")#能转换的才能转换[1] NAWarning message:强制改变过程中产生了NA 数据结构数据结构分为向量，数据框（两者最关键 ），矩阵，列表（数据框约等于“表格”）数据框不是文件，只在r语言中存在，可导出为表格数据框单独拿出来一列是向量，视为一个整体。 每一向量（列）只能有一种数据类型，可以有重复值图片应用脚本打开若是乱码，解决办法图片图片
38320编辑于 2023-05-10 - 来自专栏喔家ArchiSelf
解读向量数据库
不论是RAG，还是Agent，几乎每个LLM 驱动的应用程序都可能会用到向量数据库。那么，向量数据库是什么？与传统数据库有何不同？ 又如何选择向量数据库呢？ 本文是老码农关于向量数据库的学习笔记。 向量数据库是一种将数据存储为高维向量的数据库，高维向量是特征或属性的数学表示。每个向量都有一定数量的维度，根据数据的复杂性和粒度，维度可以从几十到几千不等。 向量数据库的主要功能包括： 管理：向量数据库以原始数据形式处理数据，能够有效地组织和管理数据，便于AI模型应用。 存储：能够存储向量数据，包括各种AI模型需要使用到的高维数据。 区别于传统数据库，向量数据库主要有三点不同：数据向量化，向量检索和相似度计算。 向量数据库的分类 根据向量数据库的的实现方式， 我们可以将向量数据库大致分为4类：原生的向量数据库、支持向量的全文检索数据库、支持向量的NoSQL数据库和支持向量的关系型数据库。
4.1K21编辑于 2023-11-27 - 来自专栏叮当猫学生信
三、数据结构：向量
生信技能树学习之数据结构：向量 数据结构包括：向量 数据框 矩阵 列表 一、向量定义。 数据框中单独拿出来的一列就是向量，视为一个整体。一串同一类型的数据。 一个向量只能有一种数据类型，可以有重复值。 二、向量的生成 2.1 用合集直接生成 用 c() 逐一放到一起，结合到一起 c(2,5,6,2,9) #数值型向量 [1] 2 5 6 2 9 c("a","f","md","b") ##字符型向量 # 3.将两种不同类型的数据用c()组合在一起，看输出结果 c(1,"a") ### [1] "1" "a" 数值型和字符型放在一起输出时，数值型会转换为字符型 c(TRUE,"a") # ：中括号里是与x等长且一一对应的逻辑值向量； 按照位置取向量时：中括号里是由x的下标组成的向量。
1.2K30编辑于 2023-02-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号