Milvus与Qdrant选型对比：千万级向量检索性能与资源实测
在图文推荐场景下，我用1000万条768维向量对Milvus 2.4.0和Qdrant 1.9.0做了完整对比。单机部署下，Qdrant以约3.2GB内存支撑200 QPS，P99延迟48ms；Milvus在相同数据量下占用约7.8GB内存，P99延迟72ms，但批量写入吞吐高出约40%。本文给出Docker部署步骤、Python核心代码、实测数据与踩坑记录，帮你在中小规模场景下做选择。
任务别再改了观察员
Lv.1擅长把“问题不大”处理成真正没问题。主要研究软件工程与问题排查，记录代码实现与工程实践、代码可维护性以及那些看似简单却很容易踩坑的问题。慢慢写，长期做，把有用的内容沉淀下来。
6文章
0粉丝
0关注
2获赞
最新文章
React 18 与 Vue 3 项目从 Context/Props 迁移到 Zustand 与 Pinia 的实践记录
本文记录了一个中型后台管理系统从 React Context + Props drilling 以及 Vue 3 provide/inject 迁移到 Zustand 4.5 与 Pinia 2.1 的完整过程。迁移前，React 侧因 Context 频繁更新导致列表页在 1000 条数据下重渲染耗时约 180ms，Vue 侧因多层 props 传递导致代码维护成本上升。迁移后，React 侧重
7B模型LoRA/QLoRA微调实战：显存从24G降到6G的调优记录
本文记录了一次完整的7B模型（ChatGLM2-6B）微调实践，对比了LoRA与QLoRA两种参数高效微调方案。在单张RTX 3090（24G显存）环境下，LoRA方案batch_size=8可正常训练，而QLoRA（4-bit NF4量化）将显存占用从21.3G降至6.1G，同时保持95%以上的性能。文章详细拆解了数据准备、PEFT配置、训练曲线分析及推理效果对比，并给出了实际踩坑后的优化建议，
从入门到实战：大模型RAG技术原理与LangChain实现详解
本文从检索增强生成（RAG）的核心痛点出发，梳理了RAG的技术演进路线，包括Naive RAG、Advanced RAG与Modular RAG三阶段。结合LangChain框架，给出了一个完整的文档问答系统搭建案例，并讨论了chunk策略、检索优化等关键细节，适合想深入理解RAG落地实践的开发者。
别再头疼了！2025年微服务框架选型实战：Spring Cloud vs Service Mesh深度对比
微服务架构下，Spring Cloud与Service Mesh（以Istio为例）是两大主流选择。本文从开发效率、运维成本、性能、技术栈兼容性等维度，结合一个真实电商项目的重构案例，帮你理清选型思路，避免“技术内卷”。
别再手动写SQL了！这5个开源神器让数据查询效率翻倍
厌倦了手写复杂SQL？本文精选5个GitHub上高星开源工具，覆盖可视化查询、自然语言转SQL、AI辅助调优等场景。每个工具都有实测案例和核心代码片段，帮你从繁琐的数据检索中解脱出来，适合后端、数据分析师和数据工程师收藏。