大语言模型正在与企业应用迅速结合，并深刻改变企业的各个产业环节。而大模型训练所使用的数据包含了如文档、图片、音视频等各种类型的非结构化数据，传统关系型数据库能力有限。通过将这些非结构化数据转换为多维向量，可以结构化地在向量数据库中进行管理，实现高效的数据存储和检索过程，结合相似性检索特性，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。

星环科技Transwarp Hippo作为一款企业级云原生分布式向量数据库，自发布以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，加速大模型场景的探索和实践。为了进一步降低用户使用向量数据库的门槛和成本，Hippo推出Community Edition社区版，单机即可安装部署，开箱即用，并支持多种接口、向量/标量数据实时更新，以及多种向量检索，帮助用户低成本、快速地进行大模型场景的探索，如构建知识库、智能问答机器人等。

极简资源，极速安装

Hippo社区版仅需单台服务器即可安装部署，百万级向量数据量推荐配置仅需4核8G。all-in-one全内置设计，做到开箱即用，整个安装过程最快仅需3分钟，即可上手体验。

1.png

Hippo安装流程

图片2.png

Hippo社区版安装教程

多种接口、多种检索，简单易用

Hippo社区版提供标准的Python、Restful、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。

Hippo社区版支持树索引和位图索引，支持向量topk搜索、向量/标量混合搜索和向量相似度过滤，可满足多种不同的检索场景。

图片3.png

简单3步，快速搭建私有知识库

基于Hippo社区版，用户可快速搭建私有知识库。

第一步：安装向量数据库Hippo社区版、embedding model，并验证；

第二步：知识入库，将语料文档通过embedding model转化为向量，存储到Hippo中；

第三步：调用大模型，并测试连通性。

基于以上3步，即可开始智能问答。

图片4.png

当用户发起提问时，运转流程如下：

* 向量转化并检索，通过embedding model将用户问题转化为向量，并作为Hippo的查询条件进行查询；

* 构建prompt，将检索信息与用户问题进行拼接构造prompt，作为大模型的输入；

* 大模型回答，大模型使用基础能力并结合检索信息完成对用户问题的回答。

图片5.png

基于Hippo构建知识库的演示Demo

了解更多信息，请访问星环科技向量数据库Transwarp Hippo官网或星环开发者社区。