《向量数据库指南》——两套方案带你玩转 OpenAI Embedding API

2018 年，Zilliz 发起了开源向量数据库项目 Milvus[1] ，很大程度上扩展了数据检索的方式。在此前的文章中[2]，大家已经见识过 embedding 及向量数据库的魔力，今天我们将从 embedding 的角度，深入了解它的魅力。

 

在 Milvus 早期的研发工作中， 我们主要聚焦于提升向量数据库的核心功能。为此，团队投入了大量精力以完善用户体验，同时对 Milvus 的稳定性、性能、可扩展性进行了相应的提升。在此影响下，可以看到 Milvus 的社区用户和贡献者数量呈稳步增长状态，而 GitHub star 数也即将突破 15000。

最近几个月，特别是自 Milvus 2.2 发布以来，社区对完善向量数据库技术生态的呼声非常高，包括可视化、工具、连接器等。其中最受关注的需求是与上游 embedding 模型生态的对接。为此，我们对 Milvus/Zilliz Cloud 与上游 embedding 模型的对接进行了初步的探索。

为适应 embedding 模型与应用场景的多样性，我们提供了两套不同的对接方案，方便用户轻松将各种开源或付费模型接入 Milvus 或 Zilliz Cloud[3]。

方案一

Milv