星环科技分布式向量数据库Transwarp Hippo正式发布，拓展大语言模型时间和空间维度

大模型的快速应用，推动向量数据库向高扩展、高性能、实时性方向发展

* 实时性难题：模型训练需要很长的时间，可能需要半年或一年，实时资讯、新闻、市场行情等快速变化的信息，无法及时地内置到模型当中。

* 精度校正难题：大模型虽然经过大量数据的长期训练，但很多场景下精准度还是不够，需要补充知识库进行校正，让其能够给出更准确的结果和更实时的信息。

星环科技创始人、CEO孙元浩表示，“向量数据库承担了中间存储的角色，我们认为向量数据库就是大语言模型的海马体，是一个记忆体。其基本功能是能够存储多维向量，并提供进一步的检索。”

星环科技分布式向量数据库Transwarp Hippo

与开源的向量数据库不同，星环分布式向量数据库Hippo具备高可用、高性能、易拓展等特点，支持多种向量搜索索引，支持数据分区分片、数据持久化、增量数据摄取、向量标量字段过滤混合查询等功能，很好地满足了企业针对海量向量数据的高实时性检索等场景。

星环分布式向量数据库Hippo采用全面容器化部署，支持服务的弹性扩缩容，同时具备多租户和强大的资源管控能力。

与直接利用各类算法lib不同，星环Hippo存储和计算都可以充分利用分布式特性，按需灵活扩展，满足大规模集群部署需求;通过Raft算法确保数据的强一致性;并提供故障迁移，数据修复等数据保障能力。

星环分布式向量数据库Hippo支持多进程架构与GPU加速，充分发挥并行检索能力;支持基于检索速度和内存使用的特定优化，以及寄存器级算法优化;同时提供多类索引支持，满足不同需求不同体量的业务场景。

星环分布式向量数据库Hippo提供数据动态更新的能力，对于实时插入/更新的数据，可以快速完成数据的加载和索引的构建，解决向量数据T+1的传统处理逻辑，满足实时动态变化数据的向量检索分析。

星环分布式向量数据库Hippo供标准的Python、Restful、CPP、Java API等接口，可轻松对接各类应用和模型，提高应用开发和调用的效率。同时，提供类SQL接口，满足入库等特定场景，大幅降低使用和操作的难度。

基于TDH多模型统一技术架构，向量数据与关系型数据、图数据、时序数据等多种模型数据可进行统一存储管理，并通过统一接口实现数据跨模型联合分析。

* 文本检索

* 语音/视频/图像检索

* 个性化推荐

* 智能搜索，智能问答

向量数据库与图数据库联合，低成本、高效构建特定领域大模型应用

通过建立垂直领域的知识库，对大模型输出结果进行校正，可以提高结果的精准度，在一定程度上解决“AI幻觉”问题。

此外，通过星环分布式向量数据库Hippo对向量数据进行存储，有效解除大模型对输入的限制，并且大模型在安全机制下访问向量数据库中的隐私数据，可以充分保证数据安全，杜绝隐私泄露风险。

然而，大模型只有向量数据库还不够。在召回的基础上通过提示工程确保数据更精确，更贴近实际场景，同样也是重要的一环。星环科技将分布式向量数据库Hippo和分布式图数据库StellarDB结合，并以此作为微调的数据凭依，可以更低成本、更高效地构建特定领域的大模型应用。

图数据库StellarDB和知识图谱联合，与大模型可视化端到端构建工具一起，提供了知识抽取融合、知识建模、知识图谱生成存储、基于大模型的知识问答等闭环功能。客户以知识图谱作为大语言模型提示即可发起模型微调，以较低代价就可获得行业的专属大语言模型问答应用。

将向量数据库、图数据库与大语言模型结合，可以构建业务域知识图谱和业务系统的应用服务，进一步提高人机交互的效率，提供更灵活的组合业务服务，激发出更多更深入的业务场景AI应用。

通过这样的组合可以解决大模型目前存在的三大问题。一是能够把实时的知识、变化的信息放到大模型中，二是能够校正结果的准确性，极大地提升精准度，三是构建相应的知识图谱，增强大模型的能力。

转载：感谢您对网站平台的认可，以及对我们原创作品以及文章的青睐，非常欢迎各位朋友分享到个人站长或者朋友圈，但转载请说明文章出处。