#向量搜索

superduper.io 是一个强大的Python框架，专门为现有数据库直接集成人工智能模型、API 和向量搜索引擎而设计。此平台支持实时数据处理、可扩展的模型训练和简化的Python接口，使得 AI 集成变得简单高效。无需重复数据迁移，即可在您信赖的数据库中进行多模态向量搜索，以及存储和管理AI模型的输入输出。探索如何通过少量代码实现高级AI功能，并通过社区支持和丰富的文档资源加速您的AI项目。

pgvecto.rs是一个Postgres扩展，提供超低延迟、高精度的向量相似搜索功能，支持稀疏向量和全文本搜索。该扩展由Rust编写，基于pgrx框架，具备完整的SQL支持和异步索引等特性，简化数据管理并提升性能。支持FP16/INT8数据类型和二进制向量索引，是生产环境中集成前沿模型的理想选择。

MyScaleDB是一个基于ClickHouse改进的SQL向量数据库，专为开发者设计，提供亲和的SQL操作界面，协助构建高度可扩展的AI应用。这个数据库完全兼容SQL，且具备出色的执行效率和可扩展性，能处理结构化数据、文本、向量、JSON以及地理空间数据等多种数据类型，轻松应对从小型到亿级规模的数据管理需求。

chatgpt-pgvector是一款基于OpenAI嵌入式API与pgvector数据库技术的AI聊天应用，通过将文本数据转换为向量并执行向量搜索，有效提高了在专业领域的问答准确性与相关性。该项目利用Nextjs和Supabase平台，优化用户体验并增强聊天应用的整体功能。

Marqo 作为全面的端到端向量搜索引擎，不仅实现文本和图像内容的矢量化处理及检索，更支持最新机器学习模型。其简洁的API设计允许开发者轻松实行多样的语义搜索操作，且无需独立处理数据嵌入问题。Marqo 的云服务部署有效降低响应时间，同时提供可伸缩的计算资源、持续可靠的服务及全时技术支持。

VectorDB是一款简单轻量的本地嵌入模型文本检索工具，具有低延迟和小内存占用的特点，广泛应用于Kagi Search的AI功能。通过自动分块和嵌入搜索，VectorDB在完全本地运行的情况下提供了高效的内容过滤和检索功能。用户可以通过简单的代码示例快速加载数据并进行检索，还可根据需求选择不同的嵌入模型和分块策略，以适应多种应用场景。

Embedditor是一款开源嵌入预处理编辑器，简便如微软Word，帮助编辑GPT/LLM嵌入，优化向量搜索并显著降低嵌入和存储成本。提高检索内容的关联性和准确性，支持自动化预处理，去除噪音信息和常用词汇。特性包括添加元数据、标记和筛选嵌入部分，提供美观的HTML标记和多种文件格式保存。本地部署，最大化数据控制并降低30%成本。

Denser Retriever是一款企业级AI检索工具，融合关键词搜索、向量数据库与机器学习重排功能，并通过xgboost技术优化。其在MTEB基准测试中表现出色，支持端到端应用，包括聊天机器人和语义搜索。项目支持Python安装，推荐使用Anaconda配置，附有详细文档和开发指南。

基于Redis Vector Search技术，实现高效的arXiv论文语义搜索。项目结合FastAPI、React和Docker等技术，并支持HuggingFace、OpenAI和Cohere的向量嵌入模型。用户只需简单设置，即可通过本地或云端的Redis部署轻松运行和定制该应用。

Langchain.rb使用Ruby构建LLM驱动的应用程序，支持深度Rails集成。提供统一接口，兼容多种LLM提供商如OpenAI、GooglePalm、Cohere等，以及向量搜索数据库如Chroma、Pinecone和Weaviate。功能涵盖提示管理、输出解析、RAG系统构建等，并提供付费咨询服务，了解更多请联系开发者。

Vearch是一个提供云原生分布式向量数据库的开源项目，专注于实现嵌入向量的高效相似性搜索。支持混合搜索与标量过滤，具备从百万对象中毫秒级别检索的高性能。同时，Vearch还具备复制和弹性扩展的能力。提供的文档资源包括Restful API、OpenAPI和多语言SDK，适用于构建可视化搜索系统和作为AI内存后端。

Orama提供全文本、向量和混合搜索功能，适用于浏览器、服务器、移动应用和边缘设备，并且体积小于2KB。主要功能包括向量搜索、混合搜索、筛选器、地理搜索、字段提升、容错和精确匹配。通过插件系统，用户可以扩展功能，支持30种语言的词干提取和标记。Orama易于安装和使用，文档详细并有社区支持，是理想的轻量级搜索解决方案。

Attu是一款全面的Milvus管理工具，帮助简化数据库、集合及分区的管理，支持向量嵌入的数据插入、索引和查询功能。通过向量搜索功能，快速验证结果，并轻松管理Milvus的权限和安全。Attu还提供系统拓扑视图，以优化Milvus架构管理。该工具支持多个Milvus版本，并可通过Docker和Kubernetes运行，此外还提供桌面应用版本。详细指南确保用户顺利安装、运行及使用Attu，提升使用体验。

sqlite-vss是基于Faiss的SQLite扩展,为数据库增添向量搜索功能。这个开源工具可用于开发语义搜索、推荐系统和问答应用。它支持自定义向量和多种嵌入方式,API设计类似FTS5。sqlite-vss兼容Python、Node.js等多种编程语言,可通过pip、npm等包管理器安装。该扩展为开发者提供了在SQLite中实现高效向量相似度搜索的简便解决方案。

sqlite-vec是一个轻量高效的SQLite向量搜索扩展。该项目支持存储和查询多种类型的向量，采用纯C语言开发，无外部依赖，可在各种SQLite环境中运行。作为sqlite-vss的升级版，sqlite-vec新增了通过rowid子查询预过滤向量的功能。这个Mozilla Builders项目获得了多家公司赞助，旨在为本地AI应用提供强大的向量搜索能力。sqlite-vec支持Python、Node.js、Ruby等多种编程语言，并可与Datasette、rqlite等工具集成使用。

本项目展示了利用LlamaIndex和MongoDB构建智能问答系统的完整流程。从数据导入到索引创建,再到API开发和前端部署,涵盖了系统构建的各个环节。结合OpenAI语言模型和MongoDB向量搜索,实现了对特定数据集的复杂查询和智能回答。项目提供了一个端到端的工作流程,可供开发者参考创建AI驱动的应用。

LLM Sherpa是一个开源项目，提供LayoutPDFReader工具用于智能解析PDF文档结构，包括章节、段落和表格。该工具支持精确分块并保留上下文信息，适用于向量搜索和生成式AI应用。项目提供API接口，便于集成到各类大语言模型应用中，如问答系统和文本摘要。LLM Sherpa简化了PDF处理流程，为开发者提供了高效的大语言模型应用开发框架。

pgvectorscale是PostgreSQL的向量数据扩展，基于pgvector开发。它通过新的StreamingDiskANN索引和统计二进制量化压缩技术，提高了AI应用中嵌入向量的搜索性能和存储效率。与同类产品相比，pgvectorscale在保证相同召回率的情况下，显著降低了查询延迟，提高了吞吐量，同时大幅减少了存储成本。该项目采用Rust语言开发，为PostgreSQL社区贡献向量支持提供了新途径。

JVector是一个基于图的向量索引库，采用DiskANN设计并支持可组合扩展。它实现单层图和非阻塞并发控制，具有线性扩展能力。该库提供两阶段搜索、量化压缩和大于内存的索引构建功能，有效降低内存使用并提升搜索速度。JVector主要用于大规模近似最近邻搜索，为高维向量检索提供高效方案。

ai-infra-landscape 项目展示了生成式 AI 生态系统基础设施的全景图，涵盖多个类别和子类别的 AI 基础设施项目。该开源项目支持社区贡献，允许通过 pull request 添加新项目。网站采用 landscape2 工具构建，提供直观的可视化界面，有助于全面了解 AI 基础设施生态系统。

GPTs Works是一个集成网站、索引系统和浏览器扩展的第三方GPTs平台。它提供AI助手的探索、搜索和管理功能，使用Vercel进行部署，Vercel Storage Postgres存储数据，Zilliz Cloud实现向量存储和搜索。该项目为GPTs生态系统的发展提供支持，满足AI爱好者和开发者的需求。

Qdrant是一款开源向量数据库和相似度搜索引擎，专注于高维向量处理和大规模AI应用。基于Rust开发，Qdrant提供高性能和可靠性，支持云原生扩展和高可用性。它易于部署使用，具有成本效益的存储选项。Qdrant适用于高级搜索、推荐系统、检索增强生成(RAG)、数据分析和异常检测等场景。作为新一代AI应用的基础，Qdrant能处理数十亿向量，满足企业级需求。

SciPhi Cloud是一个专注于检索增强生成(RAG)应用的综合开发平台。平台集成了用户认证、文档管理、混合向量搜索等功能，支持多种文件格式快速导入，并应用最新RAG技术。内置分析工具助力开发者持续优化系统性能。SciPhi Cloud提供直观的界面和强大的API，可轻松集成各种LLM提供商，加速RAG应用的开发和部署过程，为AI创新提供全方位支持。

RAG with txtai项目实现了一个基于Streamlit的检索增强生成应用。系统集成了向量RAG和图RAG两种方法，通过控制语言模型的上下文来增强回答的准确性。项目支持Docker容器和Python虚拟环境部署，可灵活添加自定义数据并通过环境变量配置模型参数。这一versatile的RAG系统适用于广泛的知识检索和智能问答应用场景。

cuVS是一个开源的GPU向量搜索和聚类框架，专注于提供高性能的近似最近邻搜索和聚类功能。它支持C、C++、Python和Rust等多种编程语言，实现了CAGRA等先进算法。开发者可以直接使用cuVS，也可将其集成到其他系统中，从而在向量相似度搜索和聚类任务中充分利用GPU加速能力。

RAG-Fusion是一种创新搜索方法，旨在弥合传统搜索与复杂人类查询间的差距。它结合检索增强生成(RAG)技术，通过多重查询生成和倒数等级融合重排搜索结果。该项目利用OpenAI的GPT模型生成多样化查询，进行向量搜索，并应用倒数等级融合算法重新排序相关文档。RAG-Fusion致力于挖掘隐藏在热门结果之外的深层知识，推动搜索技术迈向新前沿。

VectorAI是一个开源框架，用于快速开发基于向量的应用。它支持多媒体数据向量化、文档存储、向量相似度搜索和混合搜索。框架提供向量操作、聚合、聚类和分析功能，可用于构建神经搜索、语义搜索和个性化推荐系统。VectorAI设计简洁易用，同时具备良好的可扩展性，适用于不同规模的项目。需要注意，VectorAI项目已停止维护。开发者建议使用Relevance AI作为替代方案进行向量搜索。

Lantern是一个PostgreSQL数据库扩展，专门用于向量数据管理和搜索。它引入了lantern_hnsw索引类型来加速向量查询，支持多种距离函数，并提供并行索引创建和外部索引生成等功能。Lantern与pgvector兼容，性能表现出色，并提供多种辅助函数以优化工作流程。

RAFT是一个CUDA加速的C++头文件库，为机器学习和信息检索提供基础算法和原语。它实现了先进的向量相似度搜索方法，包括暴力搜索、IVF-Flat、IVF-PQ和CAGRA。RAFT还提供可重用原语，用于构建涵盖数据生成、模型评估、分类回归、聚类等领域的机器学习算法。通过跨项目复用和集中核心计算，RAFT加速了算法开发，并使未来优化能广泛应用于各种算法。

AI Video Search Engine项目是一种创新型视频搜索引擎，采用先进AI技术实现视频内容的深度索引和智能检索。该系统能够精确定位视频中的特定信息，提供上下文相关的搜索结果，并具备视频摘要生成和智能对话功能。项目整合了Supabase、Hasura和JigsawStack等技术，为视频内容检索提供高效、精准的解决方案，适用于教育、研究和信息获取等领域。

该项目深入探讨人工智能长期记忆技术中的向量搜索和数据库应用。课程内容涵盖向量搜索的理论基础和实际实现，包括文本和图像嵌入、低维向量搜索、降维技术、近似最近邻搜索、聚类和量化等关键主题。由Pinecone创始人Edo Liberty和FAISS主要开发者Matthijs Douze等行业专家主讲，为学习者提供全面而专业的向量搜索知识。

Vectorize提供专为RAG设计的工具，将非结构化数据转化为优化的向量搜索索引。平台支持多种数据来源连接，帮助企业迅速构建生成式应用，提升客户体验和生产力。