用户询问重置密码时，聊天机器人能快速提供正确答案，但询问退款政策时却返回不相关信息。RAG指标用于识别问题，优化架构和度量标准。检索质量、生成准确性和系统可靠性是关键，选择合适的指标应基于架构设计，以确保在生产环境中平衡质量、成本和速度。

向量搜索在人工智能中受到关注，但在检索增强生成（RAG）应用中，全文搜索提供更高精度。BM25算法通过词频、文档长度归一化和逆文档频率优化搜索结果。混合检索系统结合全文搜索与向量搜索，实现关键词精确匹配和语义回忆，提升检索质量。

每个AI项目都会面临并发用户和延迟峰值等挑战。选择向量数据库时，应关注性能、检索质量和操作复杂性。向量数据库通过存储高维向量嵌入来解决相似性搜索问题，适用于需要快速检索的场景。评估时需测试实际数据和查询模式，以确保满足需求。

pg_textsearch是一个Postgres扩展，旨在满足现代AI应用的需求，结合BM25排名和简单事务处理，提升检索质量，适用于RAG系统和混合搜索，支持向量搜索与关键词匹配的结合。

GitHub推出了新的Copilot嵌入模型，提升了VS Code中的代码搜索速度和准确性，检索质量提高了37.6%。该模型优化了内存使用，支持更快的响应，帮助开发者更有效地找到相关代码片段。

Fieldy AI迁移至Qdrant，构建了一个容错的AI记忆平台，实时记录和检索对话，支持多语言，增强用户信任。迁移后，系统稳定性和成本效益显著提升，未来将专注于提高检索质量。

新推出的voyage-3.5和voyage-3.5-lite嵌入模型在检索质量上优于前代产品，分别提高了2.66%和4.28%。这两款模型支持多维度嵌入，成本显著降低，分别比OpenAI-v3-large降低83%。它们在多个领域的评估中表现出色，提供更高的性价比。

新推出的voyage-3.5和voyage-3.5-lite嵌入模型在检索质量上优于前代产品，成本更低，支持多维嵌入，向量数据库成本减少83%，在多个领域表现超越OpenAI-v3-large。

RAG系统依赖于良好的数据结构和设计选择，检索质量、嵌入模型、分块策略和提示设计等因素影响其效果。传统方法可能导致上下文丢失和信息过载，而句子窗口检索通过关注单个句子及其上下文，提高了在法律和医疗等高精度领域的准确性。

voyage-3-large是一种新型多语言嵌入模型，在100个数据集的八个领域中表现优异，超越OpenAI-v3-large和Cohere-v3-English。该模型通过Matryoshka学习和量化训练，支持小维度和低存储成本，检索质量几乎不受影响，提供更高的灵活性和效率。

我们推出了voyage-3和voyage-3-lite嵌入模型，提升了检索质量并降低了成本。voyage-3在多个领域的表现超越OpenAI v3 large 7.55%，成本降低2.2倍；voyage-3-lite在检索准确性上比OpenAI v3 large高出3.82%，成本降低6倍。两者支持32K-token上下文长度，适合多种应用场景。