Navigate to WaytoAGI Wiki →
Home/question.detail.breadcrumb.questionList/question.detail.breadcrumb.questionDetail

我想知道如果我上传给Coze数据库，我的数据安全有保障吗

Answer

关于您上传数据到 Coze 数据库的数据安全保障问题，以下是相关信息：

  • 合规说明方面：
    • 不存在产出违法违规内容，包括色情暴力、政治敏感和违法犯罪等。
    • 不存在爬取行为，遵循 robot.txt 爬虫协议，未使用匿名代理。
    • 不存在版权争议问题，未爬取强版权资源、付费内容等。
    • 不存在跨境数据传输，未使用海外 API 和海外模型。
    • 有安全合规声明，作者声明作品没有侵权，作品安全可用且公开可接受。
  • Coze 数据库的功能特点：
    • 知识库功能不仅支持上传和存储外部知识内容，还提供多样化的检索能力，能解决大模型可能出现的幻觉问题和专业领域知识的不足，显著提升回复准确性。支持从多种数据源上传文本和表格数据，自动将知识内容切分成多个片段进行存储，并允许用户自定义内容分片规则，提供多种检索方式，适应各种使用场景。
    • 数据库具备记忆能力，可以存储和检索用户的交互历史，以提供更加个性化的服务。支持实时更新，确保信息最新。能存储用户的交互历史，包括提问、回答和反馈，用于理解用户需求和优化对话流程，可进行个性化服务和错误纠正与学习。

综上所述，从目前的信息来看，您上传给 Coze 数据库的数据在一定程度上是有安全保障的。但具体情况还需参考 Coze 数据库的最新政策和规定。

Content generated by AI large model, please carefully verify (powered by aily)

References

清: coze比赛作品[菜品秀秀]大揭密

|合规项|具体说明|作者回答（请回答是/否）|<br>|-|-|-|<br>|是否会产出违法违规内容？|1.色情暴力2.政治敏感3.违法犯罪是否存在爬取行为？若是，补充使用的爬虫服务3.1.是否遵循robot.txt爬虫协议3.2.是否使用了匿名代理？|[未完成]是[已完成]否|<br>|存在版权争议问题|1.涉及强版权资源，包括影视、音乐、游戏(游戏本身)、新闻的信息爬取、完整结果（新闻原文本、资源下载链接）返回2.是否爬取了付费内容？|[未完成]是[已完成]否|<br>|跨境数据传输：数据是否会跟海外交互|1.是否使用了海外API2.是否使用了海外模型，如GPT|[未完成]是[已完成]否|<br>|安全合规声明|本人声明此作品没有侵权，作品安全可用且公开可接受|[已完成]是[未完成]否|<br>|是否愿意开源|是否愿意公开配置（非强制，可以选择不公开～）|[已完成]是[未完成]否|

蓝衣剑客：四万字长文带你通学扣子

详细内容可至Coze官方手册了解：https://www.Coze.cn/docs/guides/knowledge[heading3]3.1知识库[content]Coze的知识库功能不仅支持上传和存储外部知识内容，还提供了多样化的检索能力。这一功能特别设计来解决大模型可能出现的幻觉问题和专业领域知识的不足，显著提升了大模型回复的准确性。Coze的知识库主要包括两大核心能力：一是能够存储和管理外部数据；二是增强检索能力。数据管理与存储Coze支持从多种数据源，如本地文档、在线数据、Notion、飞书文档等渠道上传文本和表格数据。上传后，系统会自动将知识内容切分成多个片段进行存储，并允许用户自定义内容分片规则，比如通过分段标识符或字符长度等方式进行内容分割。增强检索此外，Coze还提供了多种检索方式来对存储的内容片段进行高效检索，例如全文检索可以通过关键词快速找到相关的内容片段并召回。基于这些召回的内容片段，大模型将生成最终的回复内容。应用场景Coze支持上传文本内容及结构化表格数据，以适应各种使用场景。例如，在创建虚拟形象与用户交流时，你可以将相关语料保存在知识库中。后续Bot将通过向量匹配召回最相关语料，并模仿该虚拟形象的语言风格进行回答。在客服场景中，将用户常见问题和产品使用手册等信息上传至Coze知识库中，Bot可以利用这些信息精准地解答用户疑问。对于特定行业应用，如汽车领域，你可以创建包含各种车型详终参数的数据库，在用户查询特定车型信息时，Bot可通过召回相关记录进一步提供精确信息，如百公里油耗等详情。

Coze 全方位入门剖析 - 免费打造自己的 AI Agent (国内版)

扣子平台内置了强大的知识库功能，允许开发者上传和维护大量的数据，这些数据可以用于训练AI Bot，使其能够更准确地理解和回应用户的需求。同时，平台还具备数据库记忆能力，可以存储和检索用户的交互历史，以提供更加个性化的服务。[heading4]知识库功能[content]数据上传与管理：开发者可以通过平台的界面轻松上传各种形式的数据，如文本、图片、视频等，这些数据可以是FAQ文档、产品手册、行业报告等。平台提供了直观的编辑工具，使得数据的整理和分类变得简单高效。训练与优化：上传的数据被用于训练AI Bot，使其能够更好地理解用户的问题并提供准确的回答。平台的机器学习算法会分析这些数据，学习其中的模式和关联，从而提高回答的准确性和相关性。实时更新：知识库支持实时更新，确保AI Bot获取到的信息是最新的。这对于需要频繁更新信息的行业（如金融、法律等）尤为重要。[heading4]数据库功能[content]用户交互记录：平台能够存储用户的交互历史，包括用户的提问、AI Bot的回答以及用户的反馈。这些数据对于理解用户需求和优化对话流程至关重要，目前数据库的设置只能在创建AI bot的时候设置和修改，你不需要懂得数据库语法甚至是编程，只需要用自然语言告诉AI Bot做哪些数据操作即可。个性化服务：通过分析用户的交互历史，AI Bot能够提供更加个性化的服务。例如，如果用户之前询问过某个产品的信息，AI Bot在后续的对话中可以主动提供该产品的更新或相关推荐。错误纠正与学习（进阶玩法）：当AI Bot在回答中出现错误时，开发者可以利用数据库中的交互记录进行错误分析，快速定位问题并进行修正。这种持续的学习过程有助于提高AI Bot的整体性能。

Others are asking
用ai做ppt会有数据安全和隐私泄露 风险吗
使用 AI 制作 PPT 可能存在一定的数据安全和隐私泄露风险。 一方面，取决于所使用的 AI 工具及其数据处理政策。如果该工具的开发者或服务提供商没有采取足够的安全措施来保护用户数据，那么数据就有可能被泄露。 另一方面，在输入数据到 AI 系统时，如果包含了敏感信息，且该信息未经过妥善处理和加密，也存在被窃取或不当使用的风险。 然而，许多正规和知名的 AI 工具通常会采取一系列措施来保障数据安全和用户隐私，例如数据加密、严格的访问控制、遵循相关法律法规等。但用户在选择使用 AI 工具制作 PPT 时，仍需仔细阅读服务条款和隐私政策，了解数据的处理和存储方式，以最大程度降低潜在的风险。
2024-09-22
帮我找一个使用了coze 的事件触发器和工作流的案例
以下为一个使用了 Coze 的事件触发器和工作流的案例： 在为 Bot 设置触发器时，可选择定时触发或事件触发。事件触发会生成 Webhook URL，当服务端向该 URL 发送 HTTPS 请求时触发任务执行。触发任务的执行方式包括 Bot 提示词、调用插件和调用工作流。 例如，添加一个审批工作流作为触发器，当触发后执行工作流完成业务审批。在 Stuart:0 基础教学系列之 Coze“用户界面”创建初体验中，上传图片并点击“上传图”按钮，可触发把图片传递给右边的图片框这一事件。调用 workflow 时需要传入工作流需要的参数，可通过选择双向箭头找到要传递过来的数据。但传文件存在一些问题，目前好多浏览器（尤其是 safari）的事件触发工作流可能会失败，可换用 chrome 或 edge 浏览器。 使用限制方面，一个 Bot 内的触发器最多可添加 10 个，且触发器仅当 Bot 发布飞书时生效。
2024-12-24
如何用coze的触发器，让触发器接受到内容，发给到工作流
以下是关于如何用 Coze 的触发器让触发器接收到内容并发送到工作流的详细说明： Coze 的触发器可以在特定时间或接收到特定事件时自动执行任务。可配置的触发器类型有定时触发和事件触发。 定时触发能让 Bot 在指定时间执行任务，无需编写代码。事件触发会生成 Webhook URL，当服务端向该 URL 发送 HTTPS 请求时触发任务执行。 触发器触发时执行任务的方式包括 Bot 提示词、调用插件和调用工作流。 Bot 提示词：通过自然语言设置提示词，触发时提示词自动发送给 Bot，Bot 据此向用户发送提醒消息。 调用插件：为触发器添加插件，触发时 Bot 调用插件获取结果并发送给用户。 调用工作流：为触发器添加工作流，若工作流有输入参数需传入参数值。触发时 Bot 调用工作流获取结果并发送给用户。 此外，Coze 支持用户在与 Bot 聊天时设置定时任务，当用户在会话内点击推荐任务后，Bot 会确认并创建定时任务。 使用限制方面，一个 Bot 内的触发器最多可添加 10 个，且触发器仅当 Bot 发布飞书时生效。 具体操作如设置自动总结公众号内容并定时推送到微信： 1. 在 Bot 中绑定工作流，设置定时任务，然后发布到飞书渠道。 人设和回复逻辑：由于 Bot 主要依托工作流，设置提示词，直接调用工作流。 工作流：添加刚刚创建的工作流。 设置触发器：选择“定时触发”，选择触发时间，如希望每天 18 点收到微信推送，就选择 18 点。任务执行时选择工作流，输入 key 和 rss_list 等工作流中开始节点的输入参数。 2. 点击右上角“发布”，注意渠道选择飞书，因为目前 Coze 平台触发器只对飞书渠道生效。可以同时设置多个触发器，最多 10 个，可推送给不同的人或在不同时间段给自己推送不同内容。
2024-12-24
万字长文带你使用Coze打造企业级 万字长文带你使用Coze打造企业级
以下是一些关于使用 Coze 打造企业级的相关资源： 基础教程： 大圣：胎教级教程：万字长文带你使用 Coze 打造企业级知识库（https://waytoagi.feishu.cn/wiki/CT3UwDM8OiVmOOkohPbcV3JCndb ） 大聪明：保姆级教程：Coze 打工你躺平（https://waytoagi.feishu.cn/wiki/PQoUwXwpvi2ex7kJOrIcnQTCnYb ） 安仔：Coze 全方位入门剖析免费打造自己的 AI Agent（https://waytoagi.feishu.cn/wiki/SaCFwcw9xi2qcrkmSxscxTxLnxb ） Coze“图像流”抢先体验（https://waytoagi.feishu.cn/wiki/AHs2whOS2izNJakGA1NcD5BEnuf ） YoYo：Coze 图像流小技巧：探索视觉艺术的隐藏宝藏（https://waytoagi.feishu.cn/wiki/CTajwJnyZizxlJk8a4AcJYywnfe ） 【智能体】让 Coze 智能体机器人连上微信和微信群详细配置文档（https://waytoagi.feishu.cn/wiki/ExHMwCDZ7i6NA7knCWucFvFvnvJ ） 知识库相关： 官方文档：创建并使用知识库（https://www.coze.cn/docs/guides/use_knowledge ） 官方文档：知识库最佳实践（https://www.coze.cn/docs/guides/product_knowledge_bot ） 用 Coze 做一个基于知识库的 QA bot，TA 熟读了我所有的文章（https://zhuanlan.zhihu.com/p/699276883 ） 手把手教你如何用扣子（COZE）打造一个企业级的知识库机器人（https://zhuanlan.zhihu.com/p/695935995 ） Coze 汽车售后服务知识库 Bot 拆解（https://waytoagi.feishu.cn/wiki/N4wBwPY1oifcNJkZsyHc6McdnYg?renamingWikiNode=true ）
2024-12-24
dify-on-wechat如何接coze
要将 Dify 接入企业微信，您可以按照以下步骤进行操作： 1. 创建聊天助手应用：在 Dify 平台创建基础编排聊天助手应用，获取 API 密钥和 API 服务器地址。 2. 下载 Dify on WeChat 项目：下载并安装依赖。 3. 填写配置文件：在项目根目录创建 config.json 文件，填写 API 密钥和服务器地址。 4. 把基础编排聊天助手接入微信：快速启动测试，扫码登录，进行对话测试，可以选择源码部署或 Docker 部署。 5. 把工作流编排聊天助手接入微信：创建知识库，导入知识库文件，创建工作流编排聊天助手应用，设置知识检索节点和 LLM 节点，发布更新并访问 API。 6. 把 Agent 应用接入微信：创建 Agent 应用，设置对话模型和添加工具，生成 API 密钥，填写配置文件，启动程序并进行测试。 更多内容请访问原文：https://docs.dify.ai/v/zhhans/learnmore/usecases/difyonwechat 另外，CoW（chatgptonwechat）是一个基于大型语言模型的智能对话机器人项目，具有多端部署、基础对话、语音识别、图片生成、丰富插件、Tool 工具、知识库等特性和优势，支持在多个平台部署，包括微信公众号、企业微信应用、飞书、钉钉等。项目开源，GitHub 地址：https://github.com/zhayujie/chatgptonwechat ，Gitee 地址：https://gitee.com/zhayujie/chatgptonwechat 。 您还可以引入项目，在 bot/dify/新建一个 dify_image.py 的程序，将画图程序的调用过程写到 dify bot 中，如用 query“画”开头接提示来触发调用。
2024-12-24
用COZE如何提取视频的文案
在 Coze 平台提取视频文案的步骤如下： 1. 上传输入图片：将本地图片转换为在线 OSS 存储的 URL，以便在平台中进行调用。 2. 理解图片信息，提取图片中的文本内容信息。 3. 进行场景提示词优化/图像风格化处理。 4. 最终返回文本/图像结果。 为了简化流程，实现零代码版本的工作流，主要关注以下几个搭建流程的步骤： 1. 上传图片：将本地图片转换为在线 OSS 存储的 URL，通过图像流过一道。 2. 插件封装：将图片理解大模型和图片 OCR 封装为工作流插件，实现便捷调用，如果市场里面有可以直接使用。
2024-12-23
在coze中如何接入飞书插件
在 Coze 中接入飞书插件的步骤如下： 1. 企业微信群聊机器人插件： 到语聚 ai 的第三方 api 集成平台上添加工具动作。 在平台上测试相关动作，获得返回的 API 请求的 python 代码。 按步骤集成到 Coze 的插件创建平台中。 2. 飞书多维表格插件： 使用 Coze 在 Coze IDE 中创建模式创建插件。 根据飞书开放者文档的要求在 Coze IDE 平台中用 handler 的方式编写 python 代码，配置项目依赖。 在 metadata 中配置输入和输出端信息。 最后测试发布成功。 此外，还有以下相关内容供您参考： 1. 通过已有服务 api 创建 Coze 插件： 进入 Coze，个人空间中，选择插件。新建一个插件，起个名字 api_1（名字可随意，描述叫 test）。 在插件的 URL 部分，填入刚才 ngrok 随机生成的 https 的链接地址。 按照指引配置输出参数，测试后发布插件。 手捏插件搞定之后，就可以创建 bot，将创建的插件接进来，在 prompt 里面让它调用插件。 2. 大聪明的保姆级教程： 先创建第一个 bot，然后不断精进。 如创建一个 Coze Bot 帮查阅 Hacker News 并中文返回，可引入联网插件 WebPilot 实现。
2024-12-23
如何部署本地的智能数据库
以下是关于如何部署本地智能数据库的详细步骤： 1. 引言： 作者是致力于使用 AI 工具将自己打造为超级个体的程序员，目前沉浸于 AI Agent 研究。 本文将分享如何部署本地大模型以及搭建个人知识库，让您了解相关流程和技术。 2. 本地知识库进阶： 若要更灵活掌控知识库，可使用额外软件 AnythingLLM，它包含所有 Open WebUI 的能力，并额外支持选择文本嵌入模型和向量数据库。 安装地址：https://useanything.com/download 。 安装完成后进入配置页面，主要分为三步： 第一步：选择大模型。 第二步：选择文本嵌入模型。 第三步：选择向量数据库。 AnythingLLM 中有 Workspace 的概念，可创建独有 Workspace 与其他项目数据隔离。 构建本地知识库的步骤： 首先创建一个工作空间。 上传文档并在工作空间中进行文本嵌入。 选择对话模式，包括 Chat 模式（大模型根据训练数据和上传文档综合给出答案）和 Query 模式（大模型仅依靠文档中的数据给出答案）。 完成配置后即可进行测试对话。 3. 写在最后： 作者推崇“看十遍不如实操一遍，实操十遍不如分享一遍”。 若对 AI Agent 技术感兴趣，可联系作者或加入其免费知识星球（备注 AGI 知识库）。
2024-12-02
大模型如何接入企业数据库
大模型接入企业数据库的相关内容如下： 原理介绍： 从文档处理角度来看，实现流程包括配置要求。 配置要求： ChatGLM6B 模型硬件需求： 模型文件下载至本地需要 15GB 存储空间。 量化等级不同，最低 GPU 显存（推理）和最低 GPU 显存（高效参数微调）要求不同： FP16（无量化）：分别为 13GB 和 14GB。 INT8：分别为 8GB 和 9GB。 INT4：分别为 6GB 和 7GB。 MOSS 模型硬件需求： 模型文件下载至本地需要 70GB 存储空间。 量化等级不同，最低 GPU 显存（推理）和最低 GPU 显存（高效参数微调）要求不同： FP16（无量化）：分别为 68GB 和 。 INT8：分别为 20GB 和 。 Embedding 模型硬件需求：默认选用的 Embedding 模型约占用显存 3GB，也可修改为在 CPU 中运行。 项目启动： Web 启动：运行 web.py，若显存不足则调整 configs/model_config.py 文件中 LLM_MODEL 参数更换模型，若连接无法连接修改 web.py 文件末尾 lauch 中 0.0.0.0 为 127.0.0.1，点击 URL 进入 UI 界面。 API 模式启动。 命令行模式启动。 上传知识库： 左侧知识库问答中选择新建知识库，可传输 txt、pdf 等。可以调整 prompt，匹配不同的知识库，让 LLM 扮演不同的角色。例如上传公司财报，充当财务分析师；上传客服聊天记录，充当智能客服；上传经典 Case，充当律师助手；上传医院百科全书，充当在线问诊医生等等，MOSS 同理。 使用数据表： 通过在工作流中添加数据库节点对数据表进行操作。在工作流中可通过 NL2SQL 方式和代码方式进行调用，支持完整读写模式。参考以下操作，在工作流中添加并配置工作流节点。在工作流中配置数据库节点前，确保已经搭建了一个 Bot，并在这个 Bot 中创建好了数据表。 1. 单击页面顶部的工作流页签，然后单击创建工作流。 2. 输入工作流名称和工作流的使用描述，然后单击确认。工作流名称和描述可以帮助大语言模型理解什么场景下需要调用该工作流。 1. 在基础节点页签下，将数据库节点拖入到工作流配置画布区域。 2. 根据以下信息配置数据库节点。 输入：添加 SQL 执行中需要的参数，可以是一个变量，也可以是一个固定值。 SQL:输入要执行的 SQL 语句，可以直接使用输入参数中的变量。可单击自动生成使用大模型生成 SQL。在弹出的页面中，选择这个数据库工作流生效的 Bot 和数据表，然后使用自然语言描述要执行的操作，单击自动生成生成 SQL 语句，最后单击使用。 注意：不支持 Select语法，不支持多表 Join 操作，最多返回 100 行数据。
2024-10-11
向量数据库
向量数据库是大语言模型从工具走向生产力实践中热门的 RAG 方式所必备的基础设施。 RAG 能够从海量文本数据中检索相关信息并生成高质量文本输出，而向量数据库在其中发挥着重要作用。 目前市面上的向量数据库众多，操作方式无统一标准。本文将基于 LangChain 提供的 VectorStore 类中的统一操作方法，以 chroma 向量数据库作为示例，从最为基础的 CRUD 入手介绍其使用方法。 向量数据库的工作原理如下： 如果是文本，会通过模型转换成向量对象，对象存入数据库中再去使用。传统数据库以表格形式存储简单数据，向量数据库处理的是复杂的向量数据，并使用独特方法进行搜索。常规数据库搜索精确匹配数据，向量数据库则使用特定相似性度量寻找最接近匹配，使用特殊的近似近邻（ANN）搜索技术，包括散列搜索和基于图的搜索等方法。 要理解向量数据库的工作原理及其与传统关系数据库（如 SQL）的不同，必须先理解嵌入的概念。非结构化数据（如文本、图像和音频）缺乏预定义格式，给传统数据库带来挑战。为在人工智能和机器学习应用中利用这些数据，需使用嵌入技术将其转换为数字表示，嵌入就像给每个项目赋予独特代码，以捕捉其含义或本质。
2024-09-02
如何在coze的prompt中调用数据库
在 Coze 的 prompt 中调用数据库可以参考以下步骤： 1. 基础框架： 本 bot 由提示词、数据库和工作流三部分构成。提示词使用结构化框架，要求大模型根据不同行为调用不同工作流。数据库用于记录不同用户历史记账记录，工作流中会用到。 2. 工作流： 增加记账记录 add_accounting_record： 开始：定义一个{{prompt}}，把用户在 bot 输入的记账内容传入进来。 大模型：任务简单，使用任意模型均可，无需调整参数。输入定义了{{input}}引用开始节点的 prompt 参数。提示词让大模型拆解用户输入内容，识别【记账事项】、【发生时间】、【变动金额】，并分别赋值到{{item}}、{{occurrence_time}}、{{balance_change}}。输出定义了相应的{{item}}、{{occurrence_time}}、{{balance_change}}。 数据库——插入记账记录：输入定义了{{item}}、{{occurrence_time}}、{{balance_change}}，用于接收大模型节点输出传入的内容。SQL 命令中，因数据库存入金额最小单位是分，所以当用户输入花费金额时，需乘以 100 存储。 3. 使用数据表： 用户通过自然语言与 Bot 交互来插入或查询数据库中的数据。Bot 会根据用户输入自动创建新记录并存储，也可根据用户查询条件检索数据返回。 在 Prompt 中添加并使用数据表时： 明确说明要执行的操作和涉及的字段，包括字段使用说明，以使大语言模型更准确执行操作。 在数据库功能区域添加要操作的数据表。 在调试区域进行测试，可单击调试区域右上方的已存数据查看数据表中的数据。
2024-09-02
向量数据库高效储存是什么意思 举个例子
向量数据库高效储存指的是专门用于存储高维向量，以实现快速准确的相似性搜索。在人工智能领域，尤其是自然语言处理和计算机视觉等方面，模型会生成并处理大量高维向量，传统数据库难以有效应对，向量数据库则为这些应用提供了高度优化的环境。 例如，像 GPT3 这样的大型语言模型，有 1750 亿个参数，会产生大量向量化数据，传统数据库很难有效处理，而向量数据库能够有效地管理和查询这些向量。 从系统角度看，预处理管道中向量数据库至关重要，负责高效存储、比较和检索多达数十亿的嵌入（即向量）。市场上常见的选择如 Pinecone，完全由云托管，容易上手，具备大型企业在生产中所需的多种功能。同时，还有 Weaviate、Vespa 和 Qdrant 等开源系统，通常具有出色的单节点性能，可针对特定应用定制；Chroma 和 Faiss 等本地向量管理库，有丰富的开发人员经验，便于启动小型应用程序和开发实验；pgvector 之类的 OLTP 扩展，对于特定开发人员和企业也是一种解决方案。 向量存储是用于存储和检索文本嵌入向量的工具，这些向量是文本数据的数值表示，能让计算机理解和处理自然语言。其主要功能包括高效存储大量文本向量、快速检索相似文本向量以及支持复杂的查询操作，如范围搜索和最近邻搜索。
2024-08-27
向量数据库高效存储与内存的关系
向量数据库的高效存储与内存有着密切的关系。 在生成式人工智能领域，通过扩展上下文窗口，模型能够处理更大量的文本并更好地保持上下文，但仅扩展上下文窗口并不能充分改善内存，因为推理的成本和时间与提示的长度呈准线性甚至二次方关系。此时，检索机制就显得尤为重要，它通过与提示相关的上下文数据增强和完善 LLM 的原始训练语料库。向量数据库（例如 Pinecone）已成为高效检索相关信息的事实标准，并作为 LLM 的内存层，使模型更容易快速准确地搜索和引用海量信息中的正确数据。 向量数据库专门用于存储高维向量，以实现快速准确的相似性搜索。由于人工智能模型，尤其是自然语言处理和计算机视觉领域的模型会生成并处理这些向量，所以对高效存储和检索系统的需求变得至关重要。像 GPT3 这样的大型语言模型，因其处理的数据量和复杂性，产生了大量向量化数据，传统数据库难以有效处理，所以基于 GPT3 和类似模型构建的应用在很大程度上依赖于向量数据库来有效地管理和查询这些向量。 例如，Marqo 向量数据库具有嵌入式存储在内存中的 HNSW 索引，实现了最先进的搜索速度，还能利用横向索引分片将规模扩大到亿级文档索引，支持异步和非阻塞数据上传和搜索，使用来自 PyTorch、Huggingface、OpenAI 等公司的最新机器学习模型，可从预先配置的模型开始或自带模型，内置 ONNX 支持和转换功能，可实现更快的推理和更高的吞吐量，并支持 CPU 和 GPU。
2024-08-27