Recently in AI创作 Category

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

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)