what-is-vs

[SuperSupeng]

你是否已经阅读并同意《Datawhale开源项目指南》？

• 我已阅读并同意《Datawhale开源项目指南》

你是否已经阅读并同意《Datawhale开源项目行为准则》？

• 我已阅读并同意《Datawhale开源项目行为准则》

项目简介

本项目旨在创建一个全面、易于理解的向量检索教程，它将覆盖从基础理论到核心技术的各个方面。教程将通过详细的解释、实例和实践案例，帮助初学者、研究人员以及应用人员深入理解并有效地使用向量检索技术。

立项理由

• 市场需求：随着AI的快速发展，向量检索在信息检索、推荐系统、大模型应用等领域变得越来越重要。
• 知识空白：目前市场上缺乏一个全面、系统的向量检索教程。
• 技术进步：大模型和向量检索之间的紧密联系为研究和应用提供了新的可能性。

项目受众

• 初学者，希望从基础了解向量检索。
• 相关领域的研究人员，需要了解最新技术和应用。
• 应用人员，需要实际开发应用向量检索技术。

项目亮点

• 全面性：从基础概念到核心技术，提供全面的内容覆盖。
• 实用性：结合案例研究和应用实例，提供实际操作指南。
• 前瞻性：探讨新兴技术趋势和面临的挑战。

项目规划

以实际大纲为准
第一部分：引言和基础知识 @苏鹏

1. 引言

• 什么是向量检索
• 为什么向量检索重要
• 教程目标和读者指南

第二部分：核心技术

1. 向量化技术 @李剑楠

• 非结构化数据
• 非结构化数据向量化

2. 向量索引

• 向量索引概述 @向隆
  • 概述
  • 评估技术
• 基于量化的向量索引方法 @李剑楠
• 基于哈希的向量索引方法 @李剑楠
• 基于树的向量索引方法 @王泽宇
• 基于图的向量索引方法 @王泽宇
• 基于混合的向量索引方法 @李剑楠

3. 向量查询方法 @王梦召

• 向量查询方法概述
• k近邻查询
• 范围查询
• 混合查询
• 多向量查询
• 其它查询

5. 向量查询优化策略 @向隆 @田冰

• 算法层面 @王梦召
• 硬件层面
  • CPU 多核架构
  • GPU 架构
  • FPGA 架构
  • 近数据处理架构

第三部分：系统实现与应用 @韩颐堃

1. 向量数据库系统概述

• 向量数据库的基本构成与工作原理
• 市面主流向量数据库系统比较

2. 基于RAG的知识问答系统实战

• 基于Langchain的RAG基础实现
• 基于Rags的RAG评价体系

第四部分：未来展望和挑战

1. 新兴技术趋势

• 神经网络与向量检索的结合（联合优化） @李剑楠
• Learned Index @王泽宇
• DB4LLM @韩颐堃

2. 面临的挑战 @王泽宇 @李剑楠 @田冰 @向隆

• 数据隐私和安全问题
• 行业发展趋势和未来应用场景

结语

• 总结
• 附录：进一步阅读资源和工具列表

项目负责人

Github：@SuperSupeng
WeChat： subranium

项目链接

what-is-vs

备注：发起立项申请后DOPMC成员将会在7天内给出审核意见，若7天内无反对意见则默认立项通过~

• 我已知悉上述备注

[skywateryang]

同意，期待看到成品。
BTW，会考虑加入一些偏实践经验的部分吗，例如不同embedding模型的比较，ada-002，sentence-transformer等。

[SuperSupeng]

同意，期待看到成品。 BTW，会考虑加入一些偏实践经验的部分吗，例如不同embedding模型的比较，ada-002，sentence-transformer等。

会涉及到embedding部分，会重点关注到实践部分，不会过多关注原理方面。

[ZhikangNiu]

同意

[mba1398]

同意