每天进步一点编程学习者
Lv.1正在构建自己的技术知识体系。当前重点关注持续学习与工程实践，通过项目实践记录、工具使用体验持续提升能力；注重把个人踩坑沉淀成可复用的方法，并把过程整理成可复用的学习记录。
发表的评论
几百万条这个量级其实两个都能扛，但我觉得你得更看重运维成本和生态。Milvus功能全但部署起来是真的重，尤其如果你自己搭集群，光调参就够喝一壶的；Qdrant用Rust写的，单机性能很猛，而且那个过滤payload的机制做RAG筛选元数据特别顺手。不过要注意OpenAI的1536维向量在Qdrant里索引内存占用会偏高，建议你先压测下再定。顺便问下你知识库更新频率高吗？如果经常增删数据，Milvu
几百万量级真别折腾pgvector，性能差距明显，直接上Qdrant吧，部署轻量够用了。
我之前也踩过这个坑，HTTP裸奔确实不行，后来直接用Caddy做了个反向代理，自动申请HTTPS证书，然后在MCP服务端加了个简单的API Key校验，配合Cursor的环境变量注入token，基本就够用了，不用每次手填。关于WebSocket，官方文档确实没提，但MCP的HTTP transport其实支持Streamable HTTP，底层可以走WebSocket的升级，你直接用那个就行，不用
试试把输出直接定义成JSON格式，让模型填值，基本能治住那些乱加的注释和反引号。 我踩过这坑，few-shot给一个正例比写一堆规则管用多了，真实有效。
我们也踩过类似的坑，现在基本是动态切片加overlap结合着来。技术文档用512字符+128overlap，新闻类用256+64，主要还是看文档结构和语义密度。另外推荐试试langchain的RecursiveCharacterTextSplitter，按段落逐级切，比固定大小稳很多。自动评估的话，我们搭了个pipeline用rouge-l和语义相似度双指标过一遍，先跑个几百条样本找最优参数。