长路的AI领域技术博客汇总文档
<p>汇总AI后端核心技术栈：涵盖LM Studio/Xinference大模型本地化部署、Milvus向量数据库Java实战、LangChain4j框架系统化教程（RAG、Function Calling、多模态VL），以及ReAct Agent智能体设计与医疗AI项目实战，提供理论到落地的全链路参考。</p>
标签：向量数据库
dify系列之01、快速本地一键搭建dify
<p>本文详细介绍了Dify AI工作流平台的部署方案，包括不同配置级别的资源需求、Docker环境配置、国内镜像优化以及快速启动步骤。重点讲解了如何在本地或云服务器上搭建Dify环境，实现LLMOps全流程管理，适用于企业团队协作和生产环境部署。</p>
Milvus系列之02、Spring+Milvus实现RAG检索增强
<p>本文详细介绍了企业知识库构建中的关键步骤：使用Apache Tika解析多格式文档，通过HanLP和LangChain4j实现智能文本分片，最终将分割后的文本向量化存储到Milvus向量数据库。</p>
快速本地部署搭建milvus向量数据库
<p>本文详细介绍了Milvus向量数据库的完整部署流程，包括Docker镜像代理配置、docker-compose.yml文件下载、密码设置、服务启动及可视化工具Attu的安装使用。</p>
Milvus向量库Java对接使用指南
<p>系统梳理Milvus向量数据库的核心概念与实战技巧，涵盖Collection Schema设计、索引类型选型、内存估算、过滤/分组/混合搜索调优及MilvusClientV2升级注意事项，助力高召回低延迟的向量检索落地。</p>