Milvus Meetup深圳站：AI检索与Agent技术实践分享
10月31日，Unstructured Data Meetup更名为Milvus Meetup后，首站落地深圳。本次活动仍围绕AI与非结构化数据展开，但讨论范畴已从检索系统延伸至更广泛的业务场景。
活动期间的五场主题分享，从不同维度探索了向量检索在实际应用中的落地路径与优化方向。
Milvus 3.0：同一引擎整合关键词与语义检索
Zilliz的首席开源布道师带来《Milvus 3.0：更快、更强的全文检索》主题分享，聚焦业务同时需要关键词检索与向量语义召回的核心问题。过去这类需求常依赖Elasticsearch与向量数据库两套系统组合实现，需要维护两条写入链路、处理数据同步、解决不同打分方式衔接，随着数据规模增长，这些工作成为检索系统的额外成本。
Milvus在多版本中持续补充全文检索能力，允许开发者在同一套引擎中组合BM25、向量检索和标量过滤，并通过RRF或加权方式融合结果。围绕查询链路，多语言分析、自定义词典、短语匹配和高亮等功能可保留完整文本信号；分组、聚合与业务排序则让搜索结果适配具体产品需求。
实际生产中已有成熟案例验证其性能：美团将百亿级数据从Elasticsearch迁移至Milvus，单表支持20亿条向量，1亿条768维向量场景下QPS达1000，P99延迟仅8.1毫秒；快手则用Milvus解决Elasticsearch读写资源争用、维度上限仅4096的问题，内部部署100余套生产集群，最大QPS超1万。
货拉拉：多场景向量检索的业务实践
货拉拉大数据技术与产研部资深工程师分享了向量检索在风控、GraphRAG和NL2SQL等场景的落地经验。
文本风控方面，针对风险文本通过插入空格、符号或替换措辞绕过关键词规则的问题，货拉拉将风险样本沉淀为向量，新文本进入时检索相近样本，结合相似度阈值和规则引擎完成判断。该场景日均检索量达百万级，P99延迟需控制在50毫秒内，最终选择Milvus提供候选结果，低峰期批量更新风险样本以平衡延迟与召回要求。
图片风控对应日均千万级装卸货凭证，链路从Spark批处理开始，经图片下载、自研视觉特征模型推理后，将向量批量写入Milvus；通过异步请求减少等待，控制送入Triton的批次提升GPU利用率，在线查询复用同一特征提取方式完成匹配。
GraphRAG场景中，向量检索与原有知识图谱能力结合，用户文档分块、实体与关系抽取后分别进入Milvus与知识图谱，通过统一实体标识关联，补充文本片段外的关联知识。同时通过内容指纹判断片段变化，避免重复嵌入和建图，实体抽取受预定义类型约束减少噪声，使该场景问答准确率从56%提升至78%。
NL2SQL场景对精确匹配要求更高，需明确用户问题对应的表、字段、口径等信息。货拉拉将两类信息对齐到同一实体体系，通过向量、全文和图谱检索组合召回，最终向模型提供组织后的上下文；生成SQL后经静态校验与引擎预检，确保结果正确性，重要报表还需接受业务口径检查。
Teamily AI：中小团队的统一检索服务方案
Teamily AI的分享聚焦中小团队如何组织工程能力，解决多Agent产品的重复建设问题。其产品形态是多个Agent与人协作，产生Agent查找、交付物搜索、历史记忆等关联需求，这些需求的检索对象和排序策略有差异，但底层操作高度共性。
为此，团队构建了统一的检索服务层，封装Milvus、模型推理服务及内容曝光状态管理等能力，上层业务负责定义检索规则，底层提供可复用的读写流程、性能优化与容错机制。例如，模型服务层引入性能与成本感知的动态路由，根据服务状态选择合适模型；重排服务异常时自动回退原有结果；结合内容曝光记录对已读内容降权，提升结果多样性。
优化延迟方面，多数场景可省略rerank步骤，用轻量逻辑回归打分替换，调整召回策略让原子事实参与检索。测试环境不同并发档位下，P90延迟降低27%-72%，总体准确率无显著统计差异。
MemoraX AI：学习式Agent记忆的演进探索
MemoraX AI的主题分享围绕记忆系统展开，传统Agent记忆以存储和检索为核心，而新方向是推动记忆向具备自主学习能力的模型演进。通过大模型专项后训练，让模型学习什么值得记住、如何精准检索，以及将历史经验转化为解决新问题的能力。
技术实践中，基于大量真实Agent执行轨迹训练记忆模型，使其自主提炼对未来任务有价值的事实、约束与可复用经验；结合学习式检索、复杂查询编译与程序性记忆等技术，提升长期记忆的精准调用和跨任务复用能力。目前相关技术在多项评测和复杂任务中展现出更强表现，未来将通过真实任务反馈持续训练，推动记忆原生模型发展，为Agent长期学习提供支撑。
Google Cloud：面向Agent的企业上下文平台
Google Cloud的分享聚焦企业数据平台如何适配Agent访问的需求。人类分析师查询数据时会携带隐性知识，如可信表、指标计算规则等，Agent需通过系统获取这些信息，否则会沿错误口径推进任务。
随着数据访问从人类转向大量Agent，平台需支撑更高并发，同时适配智能体编排、主动趋势预判等新场景。直接为每个Agent编写技能或指标说明会面临版本同步问题，Google Cloud提出通过Knowledge Catalog产品统一聚合多源元数据，构建企业级统一上下文平台，解决口径不一致、上下文过期等问题。
此外，企业知识分布在数仓、业务数据库、对象存储和文档系统中，Google Cloud与Milvus等合作优化开放湖仓、多模态AI函数和跨系统访问，减少开发者为使用AI反复导出、处理数据的工作，让分析能力、业务定义和检索能力共同参与任务。
