全部 AI 动态 · AI 热点

6月26日

00:36

Milvus@milvusio

精选

单个1-5分的RAG质量评分会隐藏严重问题：一个回答90%基于文档，但10%虚构核心参数就不可用，平均分仍显示4分。幻觉分布也不均匀，数值查找或多条件问题类型的幻觉率远高于平均，不按类型分桶就看不到偏差。优化答案相关性时，添加提示词“提供更完整背景”可能提升相关度但导致模型依赖参数知识，降低忠实度。更可靠的方法是声明级评估：将回答拆成原子事实，用NLI模型检查每个声明是否被检索内容支撑，计算接地率，并对关键参数设置硬性阻断。按问题类型分桶评分，Milvus可用标量字段直接过滤分析，不依赖额外报表管线。

技巧 RAG Milvus 评估幻觉声明级评估

推荐理由：如果你在用RAG做生产系统，这篇讲透了为什么平均分不靠谱，还给了按声明颗粒度和问题类型精准监测的方法，连Milvus怎么分桶都说了，很实用。

原文

6月25日

00:15

Milvus@milvusio

精选

Milvus团队指出LLM在RAG中频繁引用了不支持的来源。引文失败分为两类：忠实性错误（生成内容与检索文档不符，如模型声称150W功耗但文档只说低功耗）和引文准确性错误（元数据映射错误、缺失引用、幽灵引用、弱支持引用、过度引用）。其中幽灵引用常因索引重建后ID过期导致。修复方案因错误类型而异：忠实性问题调整生成层约束或基座模型，引文准确性问题需工程层修复元数据管理。

技巧 RAG 引文忠实性检索增强生成 Milvus

推荐理由：别总怪模型了，很多引文错误出在工程层。这篇文章帮你分清五种引文故障，对症下药。

原文

6月24日

01:10

Milvus@milvusio

精选

Milvus 尝试跳过压缩步骤，直接在文档完整 embedding list 上建立 HNSW 图索引。该方法在 TREC-COVID 上 nDCG@10 达 0.98，远超 MUVERA、LEMUR 等方法的 0.87-0.89。端到端检索中 TREC-COVID 分数 0.516 与 BruteForce 完全持平，MS MARCO 上 0.957 接近精确上限的 0.966。但构建成本显著增大：MS MARCO 平均长度 87 时耗时 6 倍，TREC-COVID 长度 236 时达 18 倍。对于 ColQwen2 等每文档含 5143 个 patches 的长向量，该方法成本过高无法实用。实验揭示当前近似策略的质量损失主要源自向量压缩步骤而非 HNSW 索引本身。

AI模型 HNSW Milvus 嵌入列表索引向量检索近似搜索

推荐理由：Milvus 把 embedding 列表直接塞进 HNSW，质量几乎追上暴力搜索，比 MUVERA 高了一截，但成本也翻了 6-18 倍，长文档还不支持。适合对精度有极致需求的项目。

原文

6月23日

00:46

Milvus@milvusio

Attu 3.0 Beta 从轻量级单实例控制台升级为多集群 Milvus 运维控制台。关键变化是本地状态持久化：通过数据库存储集群配置、agent 对话历史、自定义技能和 LLM 配置。用户只需挂载一个 Docker 卷（-v attu-data:/data），即可在容器重启后保留工作区。这使得 Attu 从临时工具变为可持久化使用的运维平台。

AI产品 Attu Milvus 3.0 Beta 多集群状态持久化

推荐理由：Milvus 的 Attu 3.0 Beta 支持多集群管理了，状态重启不丢失，挂载一个卷就行，运维更省心。

原文

6月20日

00:55

Milvus@milvusio

精选

Attu 3.0 beta 的 AI agent 能连接 50 多个 Milvus 工具，涵盖集合管理、数据操作、诊断和 RBAC。用户用自然语言描述需求，agent 自动调用对应工具执行，例如列出集合、创建带 schema 的集合、插入测试数据、运行向量搜索等。读操作直接返回结果，删除集合或修改权限等敏感操作会弹出确认对话框并显示参数。agent 支持本机部署，自带 OpenAI 兼容端点或 Gemini，所有调用记录（含工具名称、token 用量和失败信息）均可追溯。

AI产品 Attu Milvus 智能体数据库自然语言操作

推荐理由：Milvus 的 Attu 3.0 beta 让你用自然语言就能管理数据库，不只是问答，能直接执行操作，敏感操作还有二次确认，挺实用的。

原文

6月19日

01:36

Milvus@milvusio

精选

Milvus指出，仅看平均Recall@5（如85%）会掩盖真实问题。例如，精确术语查询的Recall@5可能只有40%，其他类别拉高了平均值。文章建议将测试用例分为精确术语查询、多跳问题、长尾问题、不可回答问题、权限过滤问题五类，每类至少放5-10个案例分别检查召回率。这样能精准定位检索堆栈中的薄弱环节。

技巧 Milvus 召回率检索评估查询类型向量数据库

推荐理由：Milvus教你怎样真正看懂你的召回率——按5种查询类型拆解，别被一个平均数字骗了。

原文

6月18日

01:34

Milvus@milvusio

精选

Milvus在DocVQA上对比ColQwen（多向量）与Qwen3-VL-Embedding（稠密）的检索性能。精确搜索下，ColQwen3的nDCG@10为0.698，比稠密的0.521高17.7个百分点。近似搜索（LEMUR，ratio=5.0）中，ColQwen3得0.704，领先18.3点，且近似损失几乎为零。在MS MARCO等文本基准上，多向量优势被近似搜索抹平。多向量通过保留表格、图表等空间结构获得提升，适合发票、报告等视觉文档。

AI模型 ColQwen Qwen3-VL-Embedding Milvus 多模态检索视觉文档检索

推荐理由：Milvus用ColQwen和Qwen3-VL-Embedding做了对比，发现多向量在检索带图表的文档时比稠密向量强近18个点，近似搜索不掉分。处理PDF或扫描件可以关注这个结果。

原文

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

6月15日

23:58

Milvus@milvusio

精选73°

Milvus推出Attu 3.0 Beta管理控制台，支持多集群一键切换和持久化本地状态。内置AI Agent连接50+ Milvus工具，可诊断集群健康、搜索性能、写入和配置。新增数据浏览器、Prometheus指标、API Playground、GUI备份恢复及简化RBAC工作流。

AI产品 Milvus Attu 3.0 数据库管理诊断工具 AI Agent

推荐理由：Milvus新版控制台把多集群管理、诊断和API测试都集成到一起，还有AI Agent帮你分析问题，运维省心多了。

原文

6月13日

13:28

Milvus@milvusio

Milvus 和 Zilliz 生态系统推出 Zilliz Birdpedia，用鸟类比喻解释其组件：Milvus 是向量搜索引擎，可扫描千亿级高维向量；Cardinal 是 Zilliz Cloud 的高级向量搜索引擎，在 ANN 搜索、top-K、范围搜索和过滤密集型工作负载上表现优异；Woodpecker 是 Milvus 的云原生 WAL，无需 Kafka 或 Pulsar 即可实现连续写入和故障恢复；Loon 是 Milvus 3.0 和 Zilliz Vector Lakebase 的新存储引擎，支持数据湖中向量数据的版本化读取；Birdwatcher 是监控 Milvus 内部状态的工具。

AI产品 Milvus Zilliz Cardinal Woodpecker 向量搜索

推荐理由：用鸟比喻讲清 Milvus 各组件

原文

6月12日

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

6月11日

23:56

Milvus@milvusio

LEMUR 是一种将多向量压缩为单向量的策略，声称无需调参、数据驱动。但研究发现，在文档长度差异大的语料（如 LoTTE，长度范围 400 倍）上，LEMUR 会学习到“长文档得分更高”的偏差，导致按长度而非相关性排序。在 LoTTE 上，LEMUR 的 nDCG@10 仅 0.109，召回率 30.5%，而 Exact MaxSim 方法达 0.722 和 98%。问题根源在于 LEMUR 的训练标签（MaxSim 分数）天然偏向长文档，MLP 学到了长度信号。建议用户检查语料的长度分布（P90/P10 比）和模型的可分离性（MaxSim 标准差），若长度差异大或可分离性高，应改用 TokenANN 或 MUVERA。已使用 LEMUR 的团队可通过长度分层采样缓解偏差。

论文向量检索多向量压缩长度偏差 LEMUR Milvus

推荐理由：做向量检索的团队注意了——LEMUR 在长尾语料上会悄悄按文档长度排序而非相关性，LoTTE 上召回率从 98% 掉到 30.5%。如果你的语料长度差异大（P90/P10 > 20），建议先跑文中的两个检查再决定是否用 LEMUR。

原文

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

6月10日

01:31

Milvus@milvusio

Milvus 将具备技能的 Hermes 智能体归类为 L3 级别，并解释了 L3 智能体的核心缺陷：用户的大脑成为瓶颈，无法并行审查多个任务，频繁切换会话会降低判断力。优化方法是提前将用户的判断框架、偏好和权衡标准注入智能体，使其能自主评估输出，减少用户注意力消耗。但 L3 智能体仍受限于用户提供的判断框架，若用户不成长，规则会过时，这引出了 L4 智能体如何提升用户自身的问题。

AI产品智能体 Hermes Milvus L3 智能体判断力注入

推荐理由：Milvus 对智能体分级（L1-L4）的思考直击当前 AI 代理的痛点——用户注意力成为瓶颈，做多任务自动化的团队可以借鉴其「提前注入判断」的优化策略，提升代理吞吐量。

原文

6月8日

23:47

Milvus@milvusio

精选

Milvus 3.0 是该项目自启动以来最大的架构升级，支持直接在数据湖上索引和查询向量，并引入超越 top-K 搜索的查询引擎。今天（6月8日）的线上研讨会由核心维护者 Li Liu 和 Jiang Chen 主讲，内容包括 Milvus 3.0 架构、路线图、如何驱动 Zilliz Vector Lakebase，以及 15-20 分钟的 AMA 环节。该升级解决了向量数据库与数据湖割裂的问题，对构建大规模 AI 基础设施的团队意义重大。

AI产品 Milvus 向量数据库数据湖 Zilliz AI基础设施

推荐理由：做向量搜索或数据湖架构的开发者，这是 Milvus 3.0 架构升级的官方解读，直接听核心维护者讲设计思路和路线图，比看文档更高效。

原文

6月6日

02:54

Milvus@milvusio

Milvus 团队分享了一个用户案例：在单机 32GB 内存环境下，用 FLAT 索引配合 FP16 存储、mmap 内存映射和标量过滤，成功加载 2500 万 1280 维图像向量，实际驻留内存仅约 600MB，热查询延迟低于 100ms。默认 FP32 预估需 139GB，而 AISAQ 和 IVF_FLAT 索引均因构建或加载问题失败。该方案适合搜索空间远小于全量集合的场景，如租户级 RAG、带标签的图像搜索或电商搜索。

AI产品 Milvus 向量数据库内存优化 FP16 mmap

推荐理由：做向量搜索的团队常被内存预算卡住，这个案例直接展示了 FLAT + FP16 + mmap 的组合拳如何把 139GB 需求压到 600MB，适合资源受限的单机部署场景，值得参考。

原文

00:48

Milvus@milvusio

Milvus 3.0 是该项目自启动以来最重要的架构更新，引入了数据湖原生向量索引和查询能力，突破了传统 top-K 搜索限制。核心维护者 Li Liu 和 Jiang Chen 将在 6 月 8 日的网络研讨会上详解设计决策、新特性以及如何驱动 Zilliz Vector Lakebase。研讨会包含 15-20 分钟 AMA 环节，适合构建 RAG、多模态搜索、推荐系统和 AI 智能体记忆的开发者。无法参加直播可注册获取回放。

AI产品 Milvus 向量数据库数据湖 RAG Zilliz

推荐理由：Milvus 3.0 解决了数据孤岛和 schema 演进等痛点，做 RAG 或向量搜索的团队值得关注这次架构升级的细节。

原文

6月5日

01:15

Milvus@milvusio

Milvus 团队在一条推文中揭示了一个关键发现：在多向量检索中，选择错误的近似检索策略比选错模型带来的性能损失更大。他们使用相同的 Jina-ColBERT-v2 模型和 LoTTE 数据集，仅改变第一阶段近似检索策略，结果 TokenANN 策略的 nDCG@10 达到 0.701，而 LEMUR 策略仅为 0.109，差距约 6 倍。原因是不同策略对模型 token 向量的空间分布（分离度）敏感度不同：对于分布分散的模型（如 Jina），TokenANN 和 MUVERA 效果好；对于分布紧凑的模型（如 AnswerAI），LEMUR 更优。研究者可以通过计算 token 向量 MaxSim 得分的标准差来预判策略选择。

AI模型多向量检索近似检索策略 ColBERT Milvus 检索性能

推荐理由：做向量检索或 RAG 的开发者注意了：多向量检索中策略选择比模型选择更关键，选错策略可能让最好的模型也白费。建议在调优前先测一下 token 向量的分离度，再决定用 TokenANN 还是 LEMUR。

原文

6月3日

23:35

Milvus@milvusio

固定长度分块将文档切成512或1024 tokens的块，但可能把完整答案切半导致检索不完整。滑动窗口分块用50-100 tokens重叠避免断句，但会产生重复块挤占检索结果。语义分块按段落、标题或章节分割保持语义完整，但只适用于格式规整的文档。Milvus建议对技术文档用语义分块+滑动窗口兜底，对话记录用大重叠固定分块，API文档按章节分块。

技巧 Milvus RAG 文档分块检索增强生成

推荐理由：Milvus教你按文档类型选分块方法

原文

6月1日

23:00

Milvus@milvusio

精选

向量搜索擅长语义匹配，但搜索精确型号如“XR-2048”可能出错。BM25能精确匹配术语，但会漏掉语义相近的“refund policy”和“return process”。Milvus通过RRF（Reciprocal Rank Fusion）融合向量搜索和BM25结果。配置只需三步：添加稠密和稀疏向量字段、启用内建BM25函数、使用RRFRanker。内建BM25时不要手动插入稀疏向量，外部模型如BGE-M3才需手动提供。

技巧 Milvus BM25 混合搜索向量搜索 RRF

推荐理由：Milvus官方教混合搜索

原文

5月31日

01:53

Milvus@milvusio

精选

Milvus 3.0 beta 发布，这是项目启动以来最大的架构升级，原生支持在数据湖上直接索引和查询向量，并引入超越 top-K 搜索的查询引擎。6 月 8 日线上研讨会将由核心维护者 Li Liu 和 Jiang Chen 讲解设计思路、新特性，以及如何驱动 Zilliz Vector Lakebase。议题包括 3.0 beta 的变化、数据湖原生向量搜索的意义、beta 与 GA 路线图，以及迁移、性能等问答环节。适合关注向量数据库、数据湖架构的开发者与架构师参与。

AI产品 Milvus 向量数据库数据湖架构升级 Zilliz

推荐理由：Milvus 3.0 把向量搜索直接搬到数据湖上，解决了传统向量数据库与数据湖割裂的痛点，做 AI 数据基础设施的团队值得关注这次架构升级的细节。

原文

5月30日

11:47

Milvus@milvusio

精选

Claude Opus 4.8 提升了编码智能体的独立工作能力、判断力和自我检查能力，使其不再只是生成代码片段，而是能规划变更、调用工具、编辑文件、检查输出，并在同一工作流中持续更长时间。这种变化改变了检索的角色：智能体检索错误上下文会导致后续计划、工具调用、代码修改和记忆都出错。因此，检索不能仅停留在“找几个相似片段”，而需要相关、新鲜、有范围且可追溯的上下文。Milvus 等向量数据库通过混合搜索、元数据过滤和生产级上下文访问，为智能体提供高质量的检索层。

AI产品 Claude Opus 4.8 编码智能体检索增强生成向量数据库 Milvus

推荐理由：Claude Opus 4.8 让编码智能体更自主，但检索质量成为瓶颈——做智能体开发或 RAG 的团队，建议关注 Milvus 如何解决上下文精准问题。

原文

5月29日

00:46

Milvus@milvusio

当 RAG 系统给出错误答案时，团队通常第一时间换更大的模型或调 prompt，但 Milvus 团队指出，真正该先修的是检索环节。他们提出一个三步诊断法：先按查询类型（精确术语、多跳、长尾、不可回答）构建黄金测试集，然后按桶计算 Recall@k，最后根据弱桶定位问题——精确术语桶低说明稠密检索对精确字符串有盲点，应加混合搜索；多跳桶低说明答案被切分或候选集太小；长尾桶低说明用户措辞与文档术语不匹配，需加查询改写；所有桶都低则说明嵌入模型不适合领域。这种方法能精准定位检索失败的具体原因，而非笼统地认为“召回率差”。

AI产品 RAG 检索增强生成 Milvus 诊断方法召回率

推荐理由：做 RAG 的团队别再盲目换大模型了——Milvus 这篇诊断法帮你精准定位检索瓶颈，从精确术语到长尾查询都有对应解法，建议直接收藏实操。

原文

5月28日

01:11

Milvus@milvusio

长期运行的 RAG 系统最危险的 bug 不是单次错误答案，而是错误被反复检索、强化，最终被系统当作事实。CRAG（Corrective RAG）通过在检索和生成之间加入轻量级评估步骤，对文档进行置信度评分（0.9 以上直接使用，0.5-0.9 补充网络搜索，低于 0.5 丢弃），并在下次检索前预过滤掉低分内容，从而打破“检索→存储→强化”的恶性循环。CRAG 需要向量数据库支持动态存储置信度、混合检索和分区键，Milvus 原生支持这些能力。

AI产品 RAG CRAG Milvus 向量数据库 AI工程

推荐理由：做 RAG 系统的开发者最怕错误被反复放大，CRAG 用简单评估机制切断雪球效应，值得在长期运行的生产环境中试试。

原文

5月27日

01:38

Milvus@milvusio

传统 RAG 管道无法区分不同年份的文档，向量搜索按语义而非时间排序，导致过时结果与最新内容混在一起。CRAG（Corrective RAG）通过在检索和生成之间增加一个评估步骤来解决这个问题：轻量级模型对检索结果打分，当结果不准确或模糊时，自动转向网络搜索获取最新信息。Milvus 向量数据库支持多租户隔离、混合检索和灵活模式，适合部署 CRAG 的生产环境。

AI产品 RAG CRAG 向量数据库 Milvus 信息检索

推荐理由：CRAG 解决了 RAG 系统的时间感知痛点，做知识库问答或实时信息检索的团队可以直接参考 Milvus 的实现方案。

原文

5月26日

00:52

Milvus@milvusio

精选

RAG 管道常犯一个错误：把语义相似度当成相关性，导致返回主题相近但实际不匹配的结果。CRAG（Corrective RAG）通过引入评估步骤，在检索后对文档进行相关性评分，并分三条路径处理：正确则精炼使用，模糊则补充网络搜索，错误则丢弃并回退搜索。评估器使用微调后的 T5-Large 模型，比通用 LLM 更快更精准。CRAG 能有效拦截 Apache 指南回答 Nginx 配置这类错误，确保生成只基于真正相关的内容。

论文 RAG CRAG 检索增强生成相关性评估 Milvus

推荐理由：做 RAG 系统的团队终于有了解决检索错配的实用方案——CRAG 在检索后加一道评估关卡，直接过滤掉相似但不相关的文档。做知识库问答或搜索增强应用的开发者，值得看看这个改进管道的方法。

原文

5月23日

19:54

Milvus@milvusio

精选

Qwen3.7-Max 此次未开放权重，但凭借在 Terminal-Bench 2.0、SWE-Pro 等基准测试中的出色表现，以及远低于 Claude Sonnet 的定价，成为企业智能体领域最具性价比的模型之一。该模型支持长达 35 小时的自主编码运行和 1158 次工具调用，专为智能体工作流设计。然而，智能体的实际成本不仅取决于模型定价，更在于上下文管理——频繁回传历史记录会消耗大量 token。Milvus 向量数据库可为智能体提供记忆与检索层，避免每次提示都携带完整历史，从而降低 token 消耗、减少延迟，让 Qwen3.7-Max 的经济性在实战中真正落地。

AI产品 Qwen3.7-Max 企业智能体向量数据库 Milvus 性价比

推荐理由：Qwen3.7-Max 的定价和性能对做企业智能体开发的团队很有吸引力，但真正省钱的秘诀在于用 Milvus 管理上下文——做 RAG 或长任务自动化的开发者值得看看这个组合。

原文

5月22日

23:00

Milvus@milvusio

精选

SK Hynix 股价自2025年底涨近三倍，内存成本成向量搜索痛点。Milvus 提供 IVF_RABITQ 索引，在 1000 万 768 维向量基准中达到 94.7% 召回率，QPS 比 IVF_FLAT 高 3.6 倍，向量内存仅用约 1/32。还支持 SQ8/PQ 量化、mmap 按需分页、分层存储及 DiskANN 将索引移到 SSD，多种技术可叠加使用。

技巧 Milvus IVF_RABITQ 向量数据库内存优化 DiskANN

推荐理由：Milvus 教你怎么省内存，效果实测

原文

5月21日

15:51

Milvus@milvusio

精选

Milvus团队指出，传统RAG在智能体工作流中表现不佳，存在单次检索遗漏上下文、相似性不等于相关性、缺乏检索质量检查、单一策略不适用所有查询等问题。但RAG并未死亡，而是进化成了Agentic RAG，通过查询路由、混合检索、检索评估（如Corrective RAG）和多步检索来解决上述问题。生产中的教训是：检索层必须匹配工作负载，架构越复杂越难维护。文章提供了更深入的架构建议。

AI模型 RAG Agentic RAG 检索增强生成智能体工作流 Milvus

推荐理由：做智能体应用的团队会发现传统RAG的痛点被精准戳中，Agentic RAG的改进方案直接可用，建议点开看看具体架构设计。

原文

08:00

Milvus@milvusio

精选

Milvus 在 2.6.2 版本中推出了 Boost Ranker 功能，解决了电商和企业团队在使用向量搜索时遇到的痛点：语义匹配结果往往不符合业务需求（如优先展示有库存的商品）。传统做法是在向量数据库外构建第二套系统进行后处理，增加了维护成本。Boost Ranker 将业务规则直接集成到搜索过程中，通过 filter、weight 和 re-sort 三步操作，在一个搜索调用内完成排序，无需外部依赖、无需重建索引、无需维护第二套系统，且几乎没有延迟开销。

AI产品 Milvus 向量搜索 Boost Ranker 业务规则电商搜索

推荐理由：做电商搜索或企业级向量搜索的团队，终于不用在数据库外再搭一套规则引擎了——Boost Ranker 把业务逻辑直接塞进搜索里，省掉一个系统，建议直接试试。

原文

5月16日

18:07

Milvus@milvusio

精选

Milvus 团队发文解释了多向量模型在基准测试中表现优异，但在生产环境中效果不如稠密检索的原因。核心问题在于多向量模型使用精确的 MaxSim 评分（每个查询 token 与文档所有 token 比较），而生产环境只能使用近似搜索。稠密检索的近似算法（如 HNSW、IVF）成熟度高，能紧密跟踪精确结果；多向量模型的近似搜索则因压缩或聚合表示导致候选集遗漏，损失更大。实验表明，短文档和简单查询下稠密检索更优，长文档和复杂查询下多向量才值得使用。

AI模型多向量检索稠密检索向量数据库 Milvus 近似搜索

推荐理由：做向量检索的团队常遇到多向量模型部署后效果反而不如稠密检索的困惑，Milvus 这篇分析直接点出了根本原因和适用场景，建议做搜索和 RAG 的开发者仔细看看，能帮你避免选型踩坑。

原文

18:06

Milvus@milvusio

精选

在伦敦非结构化数据聚会上，Milvus 开发者关系负责人 Jiang Chen 分享了将原始对话日志转化为智能体长期记忆的方法。核心思路是让记忆以 Markdown 文件形式可读可编辑，再通过语义搜索和混合搜索让智能体根据含义检索上下文，即使不记得关键词也能找到。该工作流可通过开源项目 memsearch 实现，适合构建更智能的对话式 AI 应用。

AI产品智能体长期记忆语义搜索开源/仓库 Milvus

推荐理由：做智能体开发的团队终于有了一个把对话记忆从黑盒变成可读可搜索的方案，建议试试 memsearch 开源项目。

原文

18:04

Milvus@milvusio

Milvus 官方推出了 Attu 3.0 Beta，这是对原有 UI 的重大升级。新版本增加了多集群管理功能，支持开发、测试、生产环境切换；内置持久化工作区、监控面板、慢查询分析、RBAC 权限管理；并引入 AI Agent，可通过自然语言诊断和操作 Milvus。Attu 3.0 Beta 已开放 Docker 和桌面版下载。

AI产品 Milvus Attu 3.0 向量数据库多集群管理 AI Agent

推荐理由：Milvus 用户终于有了一个能管理多环境、调试慢查询、甚至用自然语言操作数据库的 UI，做向量检索的团队可以直接替换旧版 Attu 试试。

原文