快乐冲浪与生活

BM25（Best Matching 25）是基于词袋的概率检索模型，目前是搜索引擎、ES/OpenSearch 全文检索默认的相关性打分算法，用来计算查询词 Q 和文档 D 的相关性分数。

• TabICL：主打大规模表格分类 + 回归，解决传统表格 ICL 样本上限瓶颈，两阶段嵌入，大数据集速度优势最强。
• LimiX：通用结构化基础模型（LDM），一模型做多任务（分类、回归、缺失填充、生成、因果推理），轻量版本 CPU 可用，核心是行列双注意力联合分布建模。
• Nori：回归专精，原生输出预测分布/不确定性，但分类能力弱，上下文样本上限低。

设计思路

TabICL

Nori 是一系列面向表格数据回归的轻量级模型，由 Synthefy 推出。它的核心思路是上下文学习（In-Context Learning）：无需传统意义上的参数训练，只要把一小段“已知样本（上下文）”喂给模型，它就能对新的查询行直接给出预测。

距离度量的重要性

pgvector 提供 6 种距离度量方式，选择合适的距离度量方式对于数据库的检索效果有着重大影响。

选错距离度量方式，不会报错，但会让"最相似"的结果排错位置 —— 而且很难察觉。举 3 个例子说明选择合适距离度量方式的重要性。

本文是关于 PostgreSQL pgvector 扩展的一个示例，使用 hafvec 向量类型存储和检索手写数字图像（MNIST 数据集）。

目标：向量化存储 60,000 张训练图像，并用 10,000 张测试图像进行检索，统计检索准确率。

在大模型时代，应用须提供语义搜索或知识检索功能，如果后端数据库本身使用的就是 PG，则可以直接使用 pgvector 来实现，无需额外的数据库组件。

什么是 pgvector

pgvector 是 PostgreSQL 的一个开源扩展，它让 PG 能够原生存储、索引和检索高维向量（embedding）。 它把"向量相似度搜索"这一原本需要专门向量数据库的能力，直接下沉到了你熟悉的关系型数据库里。常用于语义搜索、RAG 检索、推荐系统等 AI 场景，让应用用一条 SQL 就能做"找最相似的 N 条数据"。

文本相似度

文本相似度，简单说就是量化两段文本的内容重合、语义相近程度，是 NLP 最基础、最高频的任务之一。

日常业务中随处可见：

• 文章查重、内容去重
• 问答系统：用户提问与历史问题匹配
• 搜索推荐：相似内容召回
• 评论舆情：重复言论过滤
• 短文本匹配、指令对齐

文本相似度算法主要分两类：

系列文章第 6 篇 · AI Agent 六大主流架构拆解 本篇拆解 Memory-Augmented 架构，把"短期工作记忆 + 跨会话长期记忆 + 记忆控制器"装进 Agent，让它"记住用户、记住经验、记住你自己"，示例选择油菜表型采集这一典型"长期、连续、按口径"的任务。

系列文章第 5 篇 · AI Agent 六大主流架构拆解 本篇拆解 Multi-Agent 架构，从"一个 Agent 包打天下"走向"一个团队分工协作"，落到油菜新品种审定申报材料的协同准备这一典型多角色场景上。

系列文章第 4 篇 · AI Agent 六大主流架构拆解
本篇拆解 Router，解决一个入口、多个专长的分发问题，并把它落到油菜种植技术咨询这一典型多领域场景上。