Novidades na versão 2.2.5 do Milvus
O que há de novo no Milvus versão 2.2.5
Temos o orgulho de anunciar o lançamento do Milvus 2.2.5 em nome da comunidade Milvus. A versão 2.2.5 contém alguns novos recursos e muitas melhorias. Esta postagem no blog destacará alguns dos recursos mais importantes. Para uma lista completa de alterações, confira as notas de versão.
- 📦 PyPI: https://pypi.org/project/milvus/
- 📚 Docs: https://milvus.io/docs
- 🛠️ Notas de versão: https://milvus.io/docs/release_notes.md#225
- 🐳 Imagem Docker: docker pull
- 🚀 Lançamento: https://github.com/milvus-io/milvus/releases/tag/v2.2.5
Um dos destaques desta versão é a aplicação de uma correção de segurança para o MinIO (MinIO CVE-2023-28432) por meio da atualização para a versão mais recente do MinIO (RELEASE.2023-03-20T20-16-18Z). Além disso, foram adicionadas várias melhorias, incluindo o seguinte recurso:
- Política de seleção de réplica First/Random — Esta política de seleção de réplica First/Random seleciona réplicas de forma round-robin. Se a primeira réplica escolhida falhar, a política selecionará aleatoriamente outra réplica para a operação, melhorando a taxa de transferência ao reduzir o tempo necessário para a conclusão.
Observe que há várias correções de bugs e melhorias de desempenho na versão 2.2.5 do Milvus, então confira as notas de versão para mais detalhes.
Resumo
Além de todos os recursos listados acima, o Milvus 2.2.5 inclui várias correções de bugs e melhorias. Para saber mais:
Consulte as notas de versão da versão 2.2.5 para a lista completa de alterações Baixe o Milvus e comece
Continue lendo

Context Engineering Strategies for AI Agents: A Developer’s Guide
Learn practical context engineering strategies for AI agents. Explore frameworks, tools, and techniques to improve reliability, efficiency, and cost.

Zilliz Cloud Enterprise Vector Search Powers High-Performance AI on AWS
Zilliz Cloud on AWS powers secure, scalable, ultra-fast vector search for enterprise AI apps, with BYOC, sub-10ms latency, and zero-DevOps simplicity.

Vector Databases vs. Graph Databases
Use a vector database for AI-powered similarity search; use a graph database for complex relationship-based queries and network analysis.



