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凯发官网首页官网，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凯发官网首页的介绍，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。
