大模型时代的向量数据库（已完结）

收藏商品

最后更新 2025-11-20
销量/好评 0条评论

交易规则（重要）
扫描二维码，分享到微信打开微信
使用"扫一扫"
再点击微信界面右上角三个点标志
分享到微信朋友和朋友圈。

大模型时代的向量数据库（已完结）

本站优惠价

￥39.00

1.0折原价：~~￥390.00~~

库存
销量
9999
0

使用时间

永久

下载方式

百度网盘

立即购买加入购物车

服务由"课源分享站youkeit.xyz"发货，并提供售后服务。

保障： 担保交易 手机访问

担保交易，安全保证，有问题不解决可申请退款。标价只是源码价格，不包括安装费。购买前请询问清楚卖家，以卖家承诺为准！自动发货商品，随时可以购买，付款后在订单详情下载，零等待。不同会员等级尊享不同购买折扣。

更多店铺数据

课源分享站youkeit.xyz

已缴纳保证金10.00元

联系客服

19933072991

该商家已加入保障计划

浏览店铺

收藏店铺

. ├── 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）