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，点击此处即可申请下载体验，开启大语言模型场景探索之旅。

Hippo相关资源链接：

• Hippo官网及社区版下载
• Hippo安装教程以及相关资源指路贴
• 基于Windows部署社区版hippo最佳实践
• 《来聊聊向量数据库》系列文章

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；

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。

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公司介绍，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

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。