vector-databases

用途：为 AI 应用提供向量存储与检索的选型及优化指导，覆盖本地开发到云端生产。主要能力：对比 Chroma（本地/云，开发与 POC）、Pinecone（云，按量付费，生产）、Weaviate（自建/云，混合搜索）、Milvus（自建/云，超大规模）、Qdrant（自建/云，生产）；讲解三种索引与参数，如 HNSW（M、efConstruction、ef）、IVF（IVF_FLAT、nlist、nprobe，需训练）、Flat（精确、适合小于 10 万向量）；说明距离度量选择，余弦适合文本语义、L2 适合图像、点积适合已归一化向量；介绍混合搜索与倒数排名融合（alpha 加权、rank+60）、元数据过滤（Pinecone filter 与 Chroma where 的 $eq、$gte、$and、$or）。使用方式：以 Python 为例给出 Chroma 初始化客户端并创建集合、添加文档、query_texts 查询；Pinecone 用 api_key 创建索引（dimension、metric、ServerlessSpec）、upsert 与 query（top_k、include_metadata）；Weaviate 连接本地、创建集合、insert、near_text 查询。优化实践：批量 upsert、缓存（lru_cache）、用 tenacity 做重试与指数退避，错误处理与批量写入；常见问题为插入慢（需批处理）、召回差（文本用余弦）、连接超时（减小批次）。限制：资料未提供具体延迟、价格、配额或版本兼容性数据，也未给出安装命令与环境要求，需以各产品官方文档为准。