Milvus 2.4 与 Qdrant 1.9 实测对比：千万级向量检索该选谁
在图文去重业务中，我用 1000 万条 768 维向量，在同一台 16C64G 机器上分别部署 Milvus 2.4.1 和 Qdrant 1.9.2，实测 HNSW 索引下的查询延迟、QPS、内存占用和落盘体积。结果 Qdrant 单机内存比 Milvus 低 42%，P99 延迟低 18ms，但 Milvus 的分布式扩展和过滤能力更成熟。本文给出完整部署脚本、压测代码和选型结论。
实战派大模型工具箱
Lv.1专注于大模型应用的工程化与业务落地。持续实践AI应用的成本与稳定性、模型选型与效果评估，重点关注效果、成本、稳定性和可维护性，分享经过验证的方案与真实复盘。
3文章
0粉丝
0关注
0获赞
最新文章
我用3轮实验把Prompt从78%优化到96%：提示词工程Token消耗与输出质量对比
同一份商品评论情感分类任务，我写了3版Prompt做对比实验：零样本基线、角色扮演版、Few-shot+格式约束版。在gpt-4o-mini（2024-07-18）上跑200条测试集，准确率从78.5%提升到96.0%，但Token消耗从平均142涨到487，成本翻了3.4倍。本文完整记录了每版Prompt的设计思路、可运行代码、踩坑过程和真实数据，帮你判断什么场景值得为Prompt多花钱。
Docker Compose编排实录：用healthcheck与depends_on终结服务启动竞态
生产环境迁移Spring Boot + Redis + MySQL + Nginx四服务时，因启动顺序失控导致连崩3次，每次恢复耗时20分钟。本文记录如何用Docker Compose 2.24.2的depends_on条件表达式、自定义healthcheck和双网络桥接，将服务就绪时间从4分15秒压缩到58秒，并解决容器重启后IP漂移导致的连接池雪崩问题。含完整可复制配置和压测数据对比。