My Study

随着大语言模型（LLM）和 AI 应用的爆发式增长，一种新型数据库悄然成为 AI 基础设施的核心组件----向量数据库（Vector Database）。

传统数据库的局限

传统关系型数据库擅长精确匹配：WHERE name = 'Alice'。但面对以下场景时力不从心：

• 以图搜图：找出"视觉上相似"的图片

• 语义搜索：用一句话找出"含义相近"的文档

• 推荐系统：找出"行为上相似"的用户

这类问题的本质是相似性搜索，而不是精确匹配。

向量与嵌入（Embedding）

AI 模型（如 BERT、CLIP、text-embedding-ada-002）可以将非结构化数据转化为高维浮点数向量，称为 Embedding：

 "今天天气真好" → [0.12, -0.87, 0.34, 0.91, ...]  # 768 维

语义相近的内容，其向量在空间中的距离也更近。相似性搜索就转化为了近似最近邻（ANN, Approximate Nearest Neighbor）搜索问题。

向量数据库的核心能力

 原始数据 → Embedding 模型 → 向量 → 向量数据库存储 → ANN 查询 → Top-K 结果

好久没有更新Movable Type 版本了，五一期间闲下来，顺便给升级了一下，8.0.2-> 9.1.1。

概述

本指南记录了从OrbStack备份镜像文件(data.img.raw)中恢复Docker卷和容器的完整过程。

恢复内容

• ✅ Docker卷：fedora4cnangel (2.2GB)

• ✅ 容器：fedora43 (基于自定义Fedora 43镜像)

• ✅ 用户配置、开发环境和历史数据

其他可用卷

备份中还包含以下卷（未恢复）：

• elasticsearch_certs (28KB)

• elasticsearch_esdata01 (6.2MB)

• elasticsearch_kibanadata (4KB)

背景

Milvus官方提供了单进程版本安装方式和K8s（milvus-operator）的安装方式，但这种方式往往不利于生产环境的部署。

Milvus从2.6.0开始，其角色进行了大幅度调整，其架构由：

演化成：

其部署方式也发生了变化。

写这篇文章希望能够细化到Milvus的部署和配置信息，并将Milvus相关依赖明细化，避免黑盒方式使用。

本篇文章会针对Milvus的多角色分布式安装部署进行一一说明。

新的发布人杰夫·斯帕莱塔公告了这一消息，敢于尝新的伙伴们赶紧去试试吧

随着神舟十九的飞船返回，fedora42也即将发布。

一些边界不断打破，是促进创新还是倒退？

Fedora Linux 41 默认为命令行包管理工具 DNF 的新主要版本。此版本更快、更小，并且需要更少的支持包。这消除了容器和内存受限系统对"microdnf"的需求----现在，可以跨容器、服务器、桌面和设备使用相同的 DNF。

Fedora Workstation 41 基于 GNOME 47。请阅读 Fedora Workstation 41 的新功能 了解详情。特别是对于命令行用户，Fedora41已将默认终端更改为 Ptyxis。它更轻量级，但也有一些不错的新功能。（如果用户需要 GNOME Terminal 提供的一些灵活性，它仍然存在。）

另外，目前还提供了几个重要的发布日错误修复和安全更新。如果用户从早期的 Fedora Linux 版本升级，将获得它们作为其中的一部分。对于新安装，请务必尽快检查并应用更新。

当打开以https开头的网页时，如果其图片、js或接口是http协议，正常浏览器是打不开该网页的。