Zilliz Cloud
Vollständig verwalteter Vektordatenbank-Service für Geschwindigkeit, Skalierbarkeit und hohe Leistung.
Milvus
Open-Source-Vektordatenbank für milliardenschwere Vektor-Ähnlichkeitssuchen.
Dokumentation
Der Zilliz Cloud Developer Hub, auf dem Sie alle Informationen finden, die Sie für die Arbeit mit Zilliz Cloud benötigen.
Mehr erfahren
Entfalten Sie das Potenzial Ihrer unstrukturierten Daten und nutzen Sie verschiedene Vector-Datenbank-Integrationsoptionen für Zilliz Cloud.
Orchestrierung
Verwenden Sie das ChatGPT Retrieval Plugin mit Zilliz Cloud & Milvus für genauere Antworten
AI-Modelle
Verwenden Sie die Cohere-Modelle zum Erstellen von Einbettungen
Echtzeit-Vektordaten-Ingestion in Ihre Zilliz-Cloud-Instanz
Erstellen Sie Einbettungen zum Speichern in der Zilliz Cloud.
Erstellen Sie Retrieval-Augmented Generation-Anwendungen mit HayStack und Zilliz Cloud oder Milvus Vector Database
Verwenden Sie LangChain, um Retrieval Augmented Generation (RAG) Anwendungen mit Ihren unstrukturierten Daten zu erstellen, die in Zilliz Cloud gespeichert sind
Integrieren Sie Zilliz Cloud mit LangChain, um LLM-Anwendungen mit semantischer Suche, RAG und kontextbewusstem Retrieval mithilfe eines flexiblen Frameworks für Orchestrierung, Chains und Agents zu erstellen.
Verwenden Sie LlamaIndex, um Retrieval Augmented Generation (RAG) Anwendungen mit Ihren unstrukturierten Daten zu erstellen, die in der Zilliz Cloud oder der Milvus Vector Database gespeichert sind
Aufbau leistungsstarker Retrieval Augmented Generation (RAG) Pipelines mit DSPy und Milvus oder Zilliz Cloud
Zilliz Cloud und Vanna: Verbesserte SQL-Generierung mit Vektorsuche
Erstellen Sie Ruby-basierte Retrieval-Augmented Generation-Anwendungen mit LangChainRB und Zilliz Cloud oder Milvus Vector Database
Beobachtbarkeit
Nutzen Sie Ragas und Milvus oder Zilliz Cloud, um Ihre RAG- und GenAI-Anwendungen zu evaluieren
Integrieren Sie FastGPT mit Zilliz Cloud, um wissensbasierte QA-Systeme aufzubauen.
Beobachtbarkeit und Analyse für LLM-gesteuerte Anwendungen
Erstellen Sie Retrieval-Augmented Generation Chatbots mit watsonx Assistant und Milvus oder Zilliz Cloud
Datenquellen
Einsatz von Milvus auf Snowflake's Snowpark Container Services
Zilliz Cloud und Camel-Integration für KI-unterstützte Vektorsuche
Verwenden Sie Airbyte und Zilliz Cloud / Milvus für die Ähnlichkeitssuche auf all Ihren Daten
Aufbau und Einsatz von LLM-Pipelines mit Langflow und Zilliz Cloud Vektordatenbank
Echtzeit-Ingestion von Vektoren aus Ihren unstrukturierten Daten
Echtzeit-Dateningestion für Ihre RAG-Anwendungen mit Kafka
Wählen Sie Modelle, die auf BentoML gehostet werden, um eine Vektoreinbettung zu erzeugen, die Sie in der Zilliz Cloud speichern und abrufen können
Erstellen Sie kontrolliertere Abruf-Workflows innerhalb Ihrer RAG-Pipeline mit WhyHow und Milvus oder Zilliz Cloud
Aufbau eines Retrieval Augmented Generation (RAG)-Agenten, der ein erweitertes LLM-Kontextfenster mit letta und Milvus/Zilliz Cloud ermöglicht.
Client-Bibliotheken
Verwenden Sie das .NET SDK mit Milvus oder Zilliz Cloud
