向量搜索

推荐理由：Qdrant官网发了1.19版本，推特上剧透了重点，做向量数据库的直接看博客就行。

推荐理由：给任何 AI Agent 插上长期记忆，还开源可控，数据完全归你，比别的平台自由多了。

推荐理由：这篇论文把RAG和因果推断结合起来，用向量搜索做最近邻匹配，还证明了理论界限，挺有意思的。

推荐理由：有人用Gemini 2.0和Qdrant Edge做出了离线记忆器，能私密记录生活并智能搜索，挺实用的。

推荐理由：教你用Qdrant EDGE和Google LiteRT搭一个完全离线的RAG系统，文档问答、个人助理全在本地跑，再也不用担心隐私和联网了。

推荐理由：用鸟比喻讲清 Milvus 各组件

推荐理由：做 RAG 或向量搜索的团队会关心这个关键权衡——大上下文窗口并非万能，检索仍是降本增效的核心手段，建议点开看具体数据。

推荐理由：做个人知识管理或视觉记忆系统的开发者，可以看看如何用向量搜索让照片库“活”起来——不再只是存储，而是能理解你的自然语言请求。

推荐理由：做向量搜索或部署 AI 应用的团队，如果被内存和 GPU 成本卡住，TurboVec 的开源方案值得一试——16 倍内存压缩可能改变你的架构选择。

推荐理由：做向量搜索或 AI 应用部署的开发者，内存和成本一直是痛点——TurboVec 直接砍掉 16 倍内存，还开源可离线跑，值得立刻试。

推荐理由：搞 AI 记忆和检索的工程师终于有个正经的技术大会了——Dave Nielsen 会拆解短期/长期记忆的真实架构，做 RAG 或智能体的团队值得去听听。

推荐理由：多模态检索是当前向量搜索的关键突破点，做视频理解、智能体或搜索系统的团队值得关注这场演讲，看看 Twelve Labs 如何将视频从“带图片的文本”变成真正的语义搜索对象。

推荐理由：做向量搜索或 RAG 的团队终于有了正经的评估方法论——Laurie Voss 会教你用指标和 CI 替代“感觉还行”，建议做检索基础设施的开发者点开看看。

推荐理由：做向量搜索和 RAG 的开发者可以直接在柏林现场动手试 Gemini Embedding 2 和 Qdrant 的集成，还能和同行交流智能体时代的检索趋势，值得关注。

推荐理由：对AI检索、智能体或向量搜索感兴趣的柏林开发者，可以现场交流前沿实践，值得参加。

推荐理由：想用 PostgreSQL 做向量搜索的开发者可以直接跟着教程在 Colab 里跑通，省去环境配置的坑，四种搜索模式覆盖了从基础到高级的需求。

推荐理由：以色列企业团队终于有了针对 AI 工作负载优化的向量搜索方案，做 RAG 或智能体应用的开发者可以直接联系 Aman 评估。

推荐理由：做向量搜索或 RAG 系统的团队，Booking.com 的 1 亿+嵌入生产实战比任何论文都实在，看完能避开不少坑。

推荐理由：数据库内直接运行 LLM 和嵌入模型，解决了数据隐私和传输延迟痛点，做企业级 AI 应用的开发者可以直接在 Oracle 中实现智能搜索和生成，省去额外架构。

推荐理由：这场活动汇聚了 Mem0、Google DeepMind、Neo4j、LlamaIndex 等一线团队，覆盖 Agent 记忆、上下文图、视频智能体等前沿话题，做搜索和 AI 检索的开发者值得关注。

推荐理由：向量搜索和 AI 记忆是构建生产级智能体的关键基础设施，做 RAG 或智能体应用的团队值得关注这场大会，早鸟票快截止了，建议尽早决定。

推荐理由：做 RAG 或搜索系统的团队，别再只靠嵌入向量了——Qdrant 这篇实战指南教你用元数据过滤和结构化约束提升检索精度，值得直接参考。

推荐理由：向量搜索成本是很多团队的痛点，RaBitQ 用 1-bit 压缩加随机旋转做到了低成本低损耗，做向量数据库选型或优化成本的开发者值得看看这个方案。