星环科技向量数据库Transwarp Hippo自发布已来，受到了众多用户的欢迎，帮助用户实现向量数据的存储、管理和检索，探索和实践大模型场景。在与用户不断地深入交流以及实践中，Hippo迎来了V1.1版本，一套系统即可支持向量与全文联合检索，提高文本数据的召回精度，从而提升大语言模型应用的准确率。同时，Hippo1.1新增余弦距离、批量数据导入导出、Explain与Profile支持、ARM架构支持等能力，大幅降低用户使用门槛和成本。

此外，Hippo社区版同样支持以上新特性，点击文末阅读原文或者访问星环科技官网，即可申请下载体验，开启大语言模型场景探索之旅。

 

一库搞定向量+全文联合检索，提升大模型准确率

 

在大语言模型应用中，向量数据库作为中间载体，可以有效地解决大模型在知识时效性低、输入能力有限、准确度低等问题，赋予大模型拥有“长期记忆”。因此，向量数据库的召回精度直接影响大模型输出结果的准确率。然而，在一些实践场景中，对于向量数据库本身而言，单一使用向量检索会产生召回准确率不高的问题：

* 对噪声和冗余信息敏感：若向量数据库中存在大量的噪声和冗余信息，则检索的准确率会降低；

* 对特征选择的依赖：在向量检索中，需要对数据进行特征提取和选择，若特征选择不当，则会影响检索的准确性；

* 对查询语义理解的局限性：当查询语义比较复杂或模糊时，向量检索无法准确理解用户的意图，导致准确率降低；

此外，像一些特殊情况，如所检索内容未构建特征或特征比重较小时，会导致准确率降低，甚至无召回结果。

针对文本搜索场景，全文检索更适合做关键字匹配，可以避免检索内容低频的问题。而向量检索则能找出字面上不同但语义上相近的内容。通过将向量检索和全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文检索更高的精度。

此外，向量数据与全文数据在存储、计算上有很大的差别，单一的数据库架构很难同时高效支持这两种场景。例如，对于公开数据集如ANN Benchmark，Elasticsearch的性能远落后于专业的向量数据库。

星环科技向量数据库Hippo底层使用自研的分布式数据管理系统TDDMS，能够支持向量数据和全文数据统一存储管理，一套数据库系统即可支持向量与全文数据联合检索召回，避免了部署多套系统带来的架构复杂、开发运维成本高等问题。同时，Hippo1.1提供兼容Elasticsearch协议的SDK支持，方便用户更便捷地使用向量数据库。

 

 

 

例如，当查询“A公司业务发展情况”时，通过向量检索可以检索出A公司“主要业务”、“经营模式”、“财务情况”、“市场地位”等信息，通过全文检索可以检索出知识库中和关键字“业务”、“发展”相关的结果作为补充，通过将两者检索的结果进行结合，可以使得大模型回答的结果更加丰满和准确。

当查询“A公司产品经理B的履历”时，若该产品经理B在知识库中出现的频率较低或未构建特征时，单一使用向量检索召回的结果可能主要是A公司介绍，而通过全文检索则会检索出产品经理B相关的内容，通过向量+全文的联合检索召回，使得大模型能够准确地给出答案。

 

 

 

 

多个新特性升级，帮助用户实现降本增效

 

1、余弦距离支持，简化业务逻辑

余弦距离在大模型领域有着广泛的应用。在过去，用户在将向量数据导入向量数据库之前，需要对数据库做L2归一化，并搭配内积距离间接实现余弦距离，这个过程较为复杂，需要用户手工操作，并要求有一定的技术基础。Hippo1.1新增原生的余弦距离支持，用户不再需要通过向量归一化计算 IP metrics 来使用余弦距离，大幅简化了业务逻辑，降低了用户使用门槛。

2、批量数据导入导出，加速数据流转

Hippo1.1新增基于csv格式的批量数据导入导出功能，方便用户进行数据流转。此外，用户还可以通过Python、Restful等API进行数据操作。

3、支持ARM架构，满足国产化需求

随着 ARM架构 CPU 的普及程度越来越高，Hippo1.1在支持X86架构的基础上，新增支持ARM架构，满足企业用户国产化需求。

4、支持Explain与Profile，高效性能优化

当执行带过滤条件的向量检索时，Hippo会根据过滤条件预估过滤率，选择最优的搜索路径。通过Explain接口，用户可以准确地看到检索的具体执行路径，通过Profile接口，用户可以看到一次搜索中各阶段的细分耗时情况。基于这两点特性，用户可以更高效地进行数据库调试、问题排查和性能优化。