星環科技向量數據庫Transwarp Hippo自發布已來，受到了眾多用戶的歡迎，幫助用戶實現向量數據的存儲、管理和檢索，探索和實踐大模型場景。在與用戶不斷地深入交流以及實踐中，Hippo迎來了V1.1版本，一套系統即可支持向量與全文聯合檢索，提高文本數據的召回精度，從而提升大語言模型應用的準確率。同時，Hippo1.1新增余弦距離、批量數據導入導出、Explain與Profile支持、ARM架構支持等能力，大幅降低用戶使用門檻和成本。

　　此外，Hippo社區版同樣支持以上新特性，點擊文末閱讀原文或者訪問星環科技官網，即可申請下載體驗，開啟大語言模型場景探索之旅。

　　一庫搞定向量+全文聯合檢索，提升大模型準確率

　　在大語言模型應用中，向量數據庫作為中間載體，可以有效地解決大模型在知識時效性低、輸入能力有限、準確度低等問題，賦予大模型擁有“長期記憶”。因此，向量數據庫的召回精度直接影響大模型輸出結果的準確率。然而，在一些實踐場景中，對于向量數據庫本身而言，單一使用向量檢索會產生召回準確率不高的問題：

　　* 對噪聲和冗余信息敏感：若向量數據庫中存在大量的噪聲和冗余信息，則檢索的準確率會降低；

　　* 對特征選擇的依賴：在向量檢索中，需要對數據進行特征提取和選擇，若特征選擇不當，則會影響檢索的準確性；

　　* 對查詢語義理解的局限性：當查詢語義比較復雜或模糊時，向量檢索無法準確理解用戶的意圖，導致準確率降低；

　　此外，像一些特殊情況，如所檢索內容未構建特征或特征比重較小時，會導致準確率降低，甚至無召回結果。

　　針對文本搜索場景，全文檢索更適合做關鍵字匹配，可以避免檢索內容低頻的問題。而向量檢索則能找出字面上不同但語義上相近的內容。通過將向量檢索和全文檢索的聯合召回，可以降低漏檢和誤檢的概率，能夠實現比單獨使用向量或全文檢索更高的精度。

　　此外，向量數據與全文數據在存儲、計算上有很大的差別，單一的數據庫架構很難同時高效支持這兩種場景。例如，對于公開數據集如ANN Benchmark，Elasticsearch的性能遠落后于專業的向量數據庫。

　　星環科技向量數據庫Hippo底層使用自研的分布式數據管理系統TDDMS，能夠支持向量數據和全文數據統一存儲管理，一套數據庫系統即可支持向量與全文數據聯合檢索召回，避免了部署多套系統帶來的架構復雜、開發運維成本高等問題。同時，Hippo1.1提供兼容Elasticsearch協議的SDK支持，方便用戶更便捷地使用向量數據庫。

　　例如，當查詢“A公司業務發展情況”時，通過向量檢索可以檢索出A公司“主要業務”、“經營模式”、“財務情況”、“市場地位”等信息，通過全文檢索可以檢索出知識庫中和關鍵字“業務”、“發展”相關的結果作為補充，通過將兩者檢索的結果進行結合，可以使得大模型回答的結果更加豐滿和準確。

　　當查詢“A公司產品經理B的履歷”時，若該產品經理B在知識庫中出現的頻率較低或未構建特征時，單一使用向量檢索召回的結果可能主要是A公司介紹，而通過全文檢索則會檢索出產品經理B相關的內容，通過向量+全文的聯合檢索召回，使得大模型能夠準確地給出答案。

　　多個新特性升級，幫助用戶實現降本增效

　　1、余弦距離支持，簡化業務邏輯

　　余弦距離在大模型領域有著廣泛的應用。在過去，用戶在將向量數據導入向量數據庫之前，需要對數據庫做L2歸一化，并搭配內積距離間接實現余弦距離，這個過程較為復雜，需要用戶手工操作，并要求有一定的技術基礎。Hippo1.1新增原生的余弦距離支持，用戶不再需要通過向量歸一化計算 IP metrics 來使用余弦距離，大幅簡化了業務邏輯，降低了用戶使用門檻。

　　2、批量數據導入導出，加速數據流轉

　　Hippo1.1新增基于csv格式的批量數據導入導出功能，方便用戶進行數據流轉。此外，用戶還可以通過Python、Restful等API進行數據操作。

　　3、支持ARM架構，滿足國產化需求

　　隨著 ARM架構 CPU 的普及程度越來越高，Hippo1.1在支持X86架構的基礎上，新增支持ARM架構，滿足企業用戶國產化需求。

　　4、支持Explain與Profile，高效性能優化

　　當執行帶過濾條件的向量檢索時，Hippo會根據過濾條件預估過濾率，選擇最優的搜索路徑。通過Explain接口，用戶可以準確地看到檢索的具體執行路徑，通過Profile接口，用戶可以看到一次搜索中各階段的細分耗時情況。基于這兩點特性，用戶可以更高效地進行數據庫調試、問題排查和性能優化。