[{"data":1,"prerenderedAt":622},["ShallowReactive",2],{"blog-milvus-zilliz-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":23,"sources":33,"cover":52,"og":53,"expertise":54,"locales":55,"lang":58,"title":59,"description":60,"coverAlt":61,"metaTitle":62,"takeaways":63,"faq":69,"toc":82,"blocks":107,"others":371},"milvus-zilliz","2026-09-08",10,"rag",[9,10,11,12,13],"Vector search","Hybrid search","BM25 full text","Distributed","RAG",[15,16,17,18,19,20,21,22],"milvus","milvus vs qdrant","zilliz cloud pricing","vector database comparison","milvus hybrid search","apache milvus self-hosting","milvus 3.0","rag vector store",[24,27,30],{"name":25,"url":26},"Milvus","https:\u002F\u002Fmilvus.io",{"name":28,"url":29},"Zilliz Cloud","https:\u002F\u002Fzilliz.com",{"name":31,"url":32},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",[34,37,40,43,46,49],{"title":35,"url":36},"Milvus architecture overview","https:\u002F\u002Fmilvus.io\u002Fdocs\u002Farchitecture_overview.md",{"title":38,"url":39},"Milvus release notes","https:\u002F\u002Fmilvus.io\u002Fdocs\u002Frelease_notes.md",{"title":41,"url":42},"Milvus releases on GitHub","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fmilvus\u002Freleases",{"title":44,"url":45},"Milvus README: features and licence","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fmilvus",{"title":47,"url":48},"Zilliz Cloud pricing","https:\u002F\u002Fzilliz.com\u002Fpricing",{"title":50,"url":51},"Zilliz Cloud list price","https:\u002F\u002Fzilliz.com\u002Fpricing\u002Fpricing-guide","\u002Fimages\u002Fblog\u002Fmilvus-zilliz\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmilvus-zilliz\u002Fog.jpg","ai-engineer",[56,57,58],"en","de","hu","Milvus elemzés: a legteljesebb vektordatbázis üzemeltetve","A Milvus 3.0.2 a legteljesebb nyílt forráskódú vektordatbázis, és a legnehezebben üzemeltethető. Elemzés az architektúráról, a hibrid keresésről, a költségekről és a korlátokról.","Négy kerek kerekű kocsi öt lapból álló magas köteget visz, a tengelynél ékelve.","Milvus elemzés: teljes, de nehéz üzemeltetni · Balázs Csorba",[64,65,66,67,68],"A 2026. szeptember 20-án megjelent Milvus 3.0.2 az aktuális verzió, miközben a 2.6 ág párhuzamosan karbantartott.","A sűrű, a ritka és a szerveroldali BM25 vektorok egy kollekcióban élnek, a reranking pedig a keresési kérésben történik.","Az önálló üzemeltetés etcd-t, objektumtárolót és WAL-réteget jelent; a terjesztett mód Kubernetesre telepített rendszer.","A Zilliz Cloud dedicated számítása $0.273 óránkénti CU-nként, a tárhelye $0.025 GBenként havonta, 5 GB-os ingyenes sávval.","Tízmillió vektor alatt az architektúra költség, nem képesség.",[70,73,76,79],{"q":71,"a":72},"A Milvus ingyenesen használható?","A Milvus kódja Apache-2.0, az önálló üzemeltetés csak a infrastruktúrába kerül. A Zilliz Cloud a felhőszolgáltatásért számláz, és 5 GB tárhelyet, valamint havonta 2.5 millió vCU-t kínáló ingyenes sávot listáz.",{"q":74,"a":75},"Mi a különbség a Milvus és a Zilliz Cloud között?","A Milvus a nyílt forráskódú projekt az LF AI & Data alatt; a Zilliz Cloud ugyanezt a motort kínálja felhőszolgáltatásként serverless, dedicated és saját felhőbe telepített változatban. A Zilliz a projekt fő közreműködője.",{"q":77,"a":78},"Kiválthatja-e a Milvus az Elasticsearchet teljes szövegű keresésre?","A Milvus szerveroldalon számol BM25-öt, és vektorokat, ritka vektorokat és szöveget is tarthat egy kollekcióban, ami egy RAG-stack hibrid lekéréséhez elég. Nem logelemző platform, ezért a meglévő Elasticsearch rendszereket ritkán váltják ki teljesen.",{"q":80,"a":81},"Fut a Milvus laptopon?","Igen, a Milvus Lite segítségével, amely pip-pel települ és mindent helyi fájlban tárol. A Lite prototípusokhoz való; a standalone és a terjesztett mód etcd-t, objektumtárolót és WAL-réteget igényel.",[83,86,89,92,95,98,101,104],{"id":84,"title":85},"what-it-is","Mi ez",{"id":87,"title":88},"how-it-works","Hogyan működik",{"id":90,"title":91},"getting-started","Első lépések",{"id":93,"title":94},"hybrid-search-and-scale","Hibrid keresés és lépték",{"id":96,"title":97},"operating-and-cost","Üzemeltetés és költség",{"id":99,"title":100},"where-it-shingles","Ahol megakad",{"id":102,"title":103},"verdict","Ítélet",{"id":105,"title":106},"sources","Források",[108,112,115,118,121,139,140,143,149,152,153,156,159,162,169,170,173,183,186,192,193,196,208,255,260,261,264,274,320,323,324,327,339,343,344],{"type":109,"content":110},"paragraph",[111],"A Milvus nyílt forráskódú vektordatbázis beágyazások közötti hasonlóságkeresésre, Go és C++ nyelven írva, az LF AI & Data keretében fejlesztve, a Zilliz pedig a fő közreműködő. Ennek az elemzésnek az álláspontja: nagyobb léptékben a legképesebb motor, amit a nyílt forráskód kínál, és egyben a legköltségesebb üzemeltetni — a valódi kérdés az, hogy ki futtatja a klasztert, nem az, hogy melyik indexnyerő.",{"type":109,"content":113},[114],"A rendszer a RAG- vagy keresőstack lekérési rétegét foglalja el: azt a tárolót, amely vektorokat, metaadatokat és 3.0 óta hosszú szövegeket tart, és top-k lekérdezéseket válaszol meg szűrőkkel. Párban versenyez a Qdranttal és a Weaviate-tel önállóan üzemeltethető alternatívaként, a Pinecone-nal mint tisztán felhőszolgáltatással, a pgvector-ral pedig azokkal a csapatokkal, amelyek nem akarnak még egy adatbázist üzemeltetni. A Zilliz Cloud, amelyet az a cég értékesít, amely a kód nagy részét adja, a Apache-licencű projekt felhős ikertestvére.",{"type":116,"level":117,"id":84,"text":85},"heading",2,{"type":109,"content":119},[120],"Három telepítési forma létezik, és nem egyenértékűek. A Milvus Lite a Python-kliens által megnyitott helyi fájl kísérletekhez; a standalone egy csomópont a függőségeivel; a terjesztett mód a valódi termék: Kubernetes-re telepített, tároló- és számítási rétegre bontott rendszer.",{"type":122,"ordered":123,"items":124},"list",false,[125,127,129,131,133,135,137],[126],"Apache-2.0 licenc, LF AI & Data projekt, a Zilliz a fő közreműködő; Go és C++ írva, a keresőmagok FAISS, HNSW, DiskANN és SCANN építőkövekből.",[128],"Aktuális verzió: 3.0.2, 2026. szeptember 20., párhuzamosan a 2.6 ág is karbantartva, 2.6.25-ig.",[130],"Indexválaszték: HNSW, IVF, FLAT, SCANN, DiskANN, GPU-indexek, például NVIDIA CAGRA, plusz kvantizálás és mmap a memóriakötött adatokhoz.",[132],"Sűrű vektorok, tanult ritka vektorok és szerveroldali BM25 egyetlen kollekcióban, hibrid kereséssel és rerankinggel egyetlen kérésben.",[134],"Több-bérlős működés adatbázis-, kollekció-, partíció- vagy partition-key szinten, hitelesítés, TLS és RBAC mögött.",[136],"A 3.0 external kollekciókat hoz Parquet, Lance, Iceberg és Vortex fölött, snapshotokat, valamint online sémaváltoztatást backfillel.",[138],"A lekérési stack elvárt integrációi: LangChain, LlamaIndex, Attu az adminisztrációhoz, Prometheus és Grafana a monitorozáshoz, továbbá Spark- és Kafka-kapcsolók.",{"type":116,"level":117,"id":87,"text":88},{"type":109,"content":141},[142],"A Milvus négy rétegre bontja az adat- és a vezérlési síkot. Az állapotmentes proxyk fogadják és redukálják a kéréseket; egyszerre pontosan egy koárdinátor aktív, ő ütemezi a DDL-, útvonalazási-, lekérdezési- és kompaktálási feladatokat; a worker-csomópontok végrehajtanak, saját adat nélkül; a tároló megosztott. A dokumentáció a Woodpeckert nulla lemezes write-ahead logként írja le, amely közvetlenül az objektumtárolóba ír, így a helyi lemez kezelése kikerül a írási útból.",{"type":144,"src":145,"alt":146,"wide":147,"caption":148},"image","\u002Fimages\u002Fblog\u002Fmilvus-zilliz\u002Fdiagram-7.webp","Request flow through a Milvus cluster A request enters at the top through a stateless proxy and spreads over three worker roles above a shared storage band. The proxy balances load and reduces results. Below it, three boxes sit side by side: on the left the coordinator, of which exactly one instance is active and which schedules every task; in the middle the streaming node, which writes to the write-ahead log first and answers queries over growing data; on the right the query node, which loads sealed segments from object storage and runs the vector index. Arrows run from the proxy into all three roles and from all three down into a dashed storage band at the bottom. That band lists etcd for metadata and service discovery, MinIO or S3 for segments and indexes, and Woodpecker, Kafka or Pulsar as the write-ahead log, with the note that the workers hold no data of their own.",true,"A tároló megosztott, a worker-ek pedig állapotmentesek, így a skálázás csomópontok hozzáadását jelenti; az egyetlen aktív komponens a koárdinátor, amelynek egészségesnek kell maradnia.",{"type":109,"content":150},[151],"Egy írás először a WAL-be kerül, a streaming node-ban növevő adatként lekérdezhető, és ott is marad, amíg a kompaktálás le nem zárja; a data node ezután felépíti az indexeket, a query node pedig betölti őket. A keresés helyben a növevő adatokon és párhuzamosan a lezárt szegmenseken fut, az eredmények három szinten redukálódnak, mielőtt a proxy visszaadja őket. Minden lépés az a hely, ahol a konzisztencia-szint és a replica elhelyezése megváltoztatja a várt késleltetést.",{"type":116,"level":117,"id":90,"text":91},{"type":109,"content":154},[155],"A legrövidebb út a Milvus Lite a Python-kliensen keresztül: egy pip install és egy fájlnév, szerver nélkül, etcd nélkül, objektumtároló nélkül. Ugyanaz a kliens aztán uri és token megváltoztatásával szerverre vagy Zilliz Cloud végpontra mutat, ezért a prototípusok általában újraírás nélkül továbbélnek.",{"type":157,"code":158},"code","# pip install -U pymilvus  — Milvus Lite stores everything in one local file\nfrom pymilvus import MilvusClient\n\nclient = MilvusClient(uri=\".\u002Fmilvus_demo.db\")\n\nclient.create_collection(\n    collection_name=\"papers\",\n    dimension=768,        # must match the embedding model\n    auto_id=True,\n    metric_type=\"COSINE\",\n)\n\nclient.insert(collection_name=\"papers\", data=[\n    {\"vector\": v, \"title\": t, \"year\": y} for v, t, y in rows\n])\n\nhits = client.search(\n    collection_name=\"papers\",\n    data=[query_vector],\n    limit=5,\n    filter=\"year >= 2023\",\n    output_fields=[\"title\", \"year\"],\n)\nprint([(h[\"entity\"][\"title\"], round(h[\"distance\"], 3)) for h in hits[0]])",{"type":109,"content":160},[161],"A leegyszerűsített kliens elrejti a sémát, az indexparamétereket és a dinamikus mezőket, és egy prototípusnál ez a megfelelő szint. Élesben ezeket a döntéseket explicit meg kell hozni: metrika típusa, indextípus, kvantizálás, mmap, partition key a többbérlőshöz, és kérésenkénti konzisztenciaszint.",{"type":163,"variant":164,"title":165,"body":166},"callout","note","Az önálló üzemeltetés sosem egyetlen folyamat",[167],[168],"Egy Milvus-deployhoz etcd kell a metaadatokhoz, objektumtároló a szegmensekhez és indexekhez, valamint WAL-réteg, például Woodpecker, Kafka vagy Pulsar. Még egyetlen csomópontos telepítés is viszi ezt a felületet, a terjesztett mód pedig Kuberneteset vár.",{"type":116,"level":117,"id":93,"text":94},{"type":109,"content":171},[172],"A Milvus sűrű vektorokat, tanult ritka vektorokat és a BM25 kimenetét ugyanabban a kollekcióban tartja, így egy kérés több vektorkeresést is lefuttathat és összemoshat. A reranking a 3.0-ban a szerverre költözött: a Function Chain API pontátalakítást, modellen alapuló rerankinget és jelöltvágást fűz egyetlen keresési hívásba, a súlyozott reciprocal-rank fúzió pedig 3.0.1-ben érkezett.",{"type":122,"ordered":123,"items":174},[175,177,179,181],[176],"A BM25 szerveroldalon készül a nyers szövegből, az alkalmazás nem küldi oda-vissza a tokeneket.",[178],"A ritka keresés a 3.0-ban SINDI köré épült, Block-Max WAND és Block-Max MaxScore választható terhelés szerint.",[180],"Az ANN útvonalon futó faceted search a legfelső facetértékeket COUNT és AVG mellett ugyanabban a kérésben adja vissza, nem kliensoldali túllekéréssel.",[182],"A TEXT mezők 64 KB alatti értékeket soron belül tárolnak, a nagyobbakat partíciószintű LOB-fájlokban, így a forrásszöveg és a vektor egy tárolóból olvasható.",{"type":109,"content":184},[185],"A 3.0.0-as release notes két belső számot közöl: a tömörített BM25-index összehasonlítható recall mellett nagyjából háromszor kisebb, mint a 2.6 ritka indexe, a SINDI pedig tanult ritka beágyazásokon akár mintegy tízszeres QPS-t ér el a MaxScore-hoz képest. Mindkettő a szállító saját mérése. A beszédesebb szám a 3.0.2-ben van: kivettek egy atomikus refcount-helyszűkést, amely a keresés leaf CPU-idejének körülbelül 48%-át tette ki. A szűrt keresés eddig fizette ezt az adót, a termelési vektormunkák pedig nagyrészt szűrt lekérdezések.",{"type":163,"variant":187,"title":188,"body":189},"warn","A számok a módszertannál utaznak",[190],[191],"Minden vektordatázis-benchmark előtt — a fentiek előtt is — kérd a harness-t, a szűrő szelektivitását és a recall-célt. A 10 ms-os recall 1%-os szűrővel és a 10 ms-os recall 90%-os szűrővel két különböző termék.",{"type":116,"level":117,"id":96,"text":97},{"type":109,"content":194},[195],"A Milvus önálló üzemeltetése azt jelenti, hogy a koárdinátor failoverje, a replica elhelyezése, a kompaktálás viselkedése és az indexépítési kapacitás a saját felelősség. A Zilliz Cloud ugyanezt a motort árulja ezek nélkül a döntések nélkül, az ároldalak pedig pontosan megmondják, miért fizet az ember.",{"type":122,"ordered":123,"items":197},[198,200,202,204,206],[199],"Ingyenes sáv: 5 GB tárhely, havonta 2.5 millió vCU és legfeljebb 5 kollekció, csak közösségi támogatással.",[201],"A dedicated kiszolgálószámítás listaára $0.273 óránkénti CU-nként a performance- és capacity-optimalizált klasztereknél, $0.41 a tiered-storage klaszternél.",[203],"A tárhely listaára dedicated klaszternél $0.025 GBenként havonta, óránként számlázva; a biztonsági mentés szintén $0.025 GBenként havonta.",[205],"Az Enterprise $197 havonta indul, 99.95% uptime SLA-val, audit logokkal, SSO-val és VPC-peeringgel.",[207],"A nagy léptékű lekérdezés- és indexfeladatokhoz való on-demand compute listaára $0.41 óránkénti CU-nként, percenkénti CU-ban számlázva.",{"type":209,"head":210,"rows":219},"table",[211,213,215,217],[212],"Csomag",[214],"Számítás",[216],"Tárhely",[218],"Cél",[220,229,238,247],[221,223,225,227],[222],"Free",[224],"havonta 2.5M vCU a csomagban",[226],"5 GB",[228],"tanulás és kis prototípusok",[230,232,234,236],[231],"Standard, serverless",[233],"használatalapú, rendszer szintű skálázás",[235],"használatalapú",[237],"prototípusok és tesztkörnyezetek",[239,241,243,245],[240],"Standard, dedicated",[242],"$0.273 óránkénti CU-nként",[244],"$0.025 GBenként havonta",[246],"állandó termelési terhelés",[248,250,252,253],[249],"Enterprise",[251],"$197 havonta indul",[244],[254],"termelés SLA-val és SSO-val",{"type":163,"variant":164,"title":256,"body":257},"A szüneteltetés nem ingyenes",[258],[259],"A listaár-FAQ szerint a szüneteltett klaszternél leállnak a vektordatázis-költségek, de a tárhely tovább számlázódik a klaszter törléséig, az adatátviteli díjak pedig a keresésre, lekérdezésre és az audit naplók továbbítására is vonatkoznak.",{"type":116,"level":117,"id":99,"text":100},{"type":109,"content":262},[263],"Először a gyengeségek. A Milvus elosztott rendszer koárdinátorral, WAL-lel, objektumtárolóval és index-worker-ekkel, és ez a felület jóval hamarabb jelenik meg üzemeltetési munkaként, mint képességként. Sémaelemszerű változtatások, indexépítések újra és a kompaktálás hangolása hétköznapi feladatok hétköznapi hibamódokkal; önmagában a 3.0.2 hoz javításokat egy olyan replica-ra, amelynek minden csatornája egy query node-ra került és így használhatatlanná vált, valamint olyan WAL-fencingre, amely 45–60 másodpercre megfagyasztotta az írásokat.",{"type":122,"ordered":123,"items":265},[266,268,270,272],[267],"Telepítési költség: a terjesztett mód Kubernetes-telepítés operátorokkal, nem egy docker run.",[269],"A kis terhelések megfizetik az architektúrát: tízmillió vektor alatt az egyetlen bináris tároló egyszerűbb és általában gyorsabb lekérdezni.",[271],"A verziószétlátás drága: a 2.6 és a 3.0 párhuzamosan karbantartott, a Storage V3 alapból ki van kapcsolva, és bekapcsolva eltűnik a visszalépés a 2.6-ra.",[273],"A nyilvános összehasonlító anyag zöme szállítói anyag; független számok rögzített recall-céllal alig léteznek.",{"type":209,"head":275,"rows":284},[276,278,280,282],[277],"Rendszer",[279],"Telepítés",[281],"Hibrid lekérés",[283],"Üzemeltetési teher",[285,293,302,311],[286,287,289,291],[25],[288],"Lite fájl, Docker vagy Kubernetes-klaszter",[290],"sűrű, ritka és BM25 egy kollekcióban",[292],"koárdinátor, WAL és objektumtároló futtatása",[294,296,298,300],[295],"Qdrant",[297],"egyetlen konténer vagy a saját felhője",[299],"HNSW plusz ritka vektorok és payload-szűrők",[301],"egy állomásos szolgáltatás",[303,305,307,309],[304],"pgvector",[306],"a meglévő Postgres kiterjesztése",[308],"vektorok SQL mellett, natív BM25 nélkül",[310],"az adatbázison kívül semmi",[312,314,316,318],[313],"Pinecone",[315],"csak felhő, önálló üzemeltetés nélkül",[317],"sűrű és ritka vektorok a szolgáltatáson",[319],"semmi nem futtatható",{"type":109,"content":321},[322],"Ezt a táblát figyelemköltség-ként olvasd, nem funkcióként. A Milvus akkor nyer, ha a terhelés nagy, szűrt és több bérlős, és mindenhol máshol veszít, mert a koárdinátor, a WAL és az index-worker-ek is szolgálatban lévő embert kívánnak.",{"type":116,"level":117,"id":102,"text":103},{"type":109,"content":325},[326],"A Milvus a megfelelő motor egy olyan csapatnak, amely már futtat elosztott rendszereket, és van olyan terhelése, amely igazolja őket. Rossz első választás egy olyan terméknél, amely még keresi a lekérési minőségét, ahol a gyorsabb iteráció többet ér, mint a far-késleltetés.",{"type":122,"ordered":147,"items":328},[329,331,333,335,337],[330],"Válaszd, ha százmilliós nagyságrendű vektorok, szigorú bérlőelkülönítés, vagy sűrű és ritka lekérés egy tárolóban kell.",[332],"Csak akkor üzemeltessd magad, ha a csapatban valaki már kezel állomásos Kubernetes-szolgáltatásokat; különben Zilliz Cloud-on kezdd, és tartsd nyitva a migrációs utat.",[334],"Hagyd ki pár millió chunk alatti RAG-prototípusnál: Lite a kísérlethez, aztán egyetlen bináris tároló a termeléshez.",[336],"Hagyd ki, ha az adat amúgy is a Postgresben van, és a vektorkeresés csak mellékfunkció; a pgvector egy biztonsági mentést és egy hitelesítőkészletet jelent.",[338],"Bárhogy is döntesz, rögzítsd a verziót és olvasd el a release noteokat: a 3.0 tárolóformátum-alapértelmezéseket változtatott, az új indexek pedig alapból ki vannak kapcsolva.",{"type":340,"content":341},"quote",[342],"A vektordatázis, amelyet nem tudsz üzemeltetni, nem olcsóbb adatbázis. Egy ki nem fizetett üzemeltetési szerződés egy hozzábiggyesztett indexszel.",{"type":116,"level":117,"id":105,"text":106},{"type":122,"ordered":147,"items":345},[346,351,355,359,363,367],[347],{"tag":348,"href":36,"children":349},"a",[350],"Milvus: architektúra-áttekintés",[352],{"tag":348,"href":39,"children":353},[354],"Milvus: release notes",[356],{"tag":348,"href":42,"children":357},[358],"Milvus-kiadások a GitHubon",[360],{"tag":348,"href":45,"children":361},[362],"Milvus README: funkciók és licenc",[364],{"tag":348,"href":48,"children":365},[366],"Zilliz Cloud árak",[368],{"tag":348,"href":51,"children":369},[370],"Zilliz Cloud: listaár",[372,446,503,561],{"slug":373,"published":374,"minutes":375,"category":7,"tags":376,"keywords":380,"about":393,"sources":403,"cover":440,"og":441,"expertise":54,"locales":442,"lang":58,"title":443,"description":444,"coverAlt":445},"embedding-model-selection-2026","2026-10-17",9,[377,13,378,9,379],"Embeddings","MTEB","Model selection",[381,382,383,384,385,386,387,388,389,390,391,392],"best embedding model 2026","how to choose an embedding model","embedding model comparison","MTEB leaderboard explained","RTEB benchmark","open source embedding model","multilingual embedding model","voyage-4 vs openai embeddings","Qwen3-Embedding","EmbeddingGemma","embedding model for RAG","switching embedding models re-embed",[394,397,400],{"name":395,"url":396},"Word embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWord_embedding",{"name":398,"url":399},"Information retrieval","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FInformation_retrieval",{"name":401,"url":402},"Discounted cumulative gain","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDiscounted_cumulative_gain",[404,407,410,413,416,419,422,425,428,431,434,437],{"title":405,"url":406},"Enevoldsen et al.: MMTEB, Massive Multilingual Text Embedding Benchmark (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.13595",{"title":408,"url":409},"Hugging Face: Introducing RTEB, a new standard for retrieval evaluation (Oct 2025)","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Frteb",{"title":411,"url":412},"OpenAI: Vector embeddings guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fembeddings",{"title":414,"url":415},"OpenAI: API pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",{"title":417,"url":418},"Voyage AI: The Voyage 4 model family, shared embedding space with MoE architecture (Jan 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F01\u002F15\u002Fvoyage-4\u002F",{"title":420,"url":421},"Voyage AI: Text embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fembeddings",{"title":423,"url":424},"Voyage AI: Pricing","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fpricing",{"title":426,"url":427},"Google: Gemini API embeddings documentation","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fembeddings",{"title":429,"url":430},"Google: Gemini API pricing","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fpricing",{"title":432,"url":433},"Cohere: Embed models documentation","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Fcohere-embed",{"title":435,"url":436},"Qwen: Qwen3-Embedding-8B model card","https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen3-Embedding-8B",{"title":438,"url":439},"Google Developers Blog: Introducing EmbeddingGemma (Sep 2025)","https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fintroducing-embeddinggemma\u002F","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fog.jpg",[56,57,58],"Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon","Hogyan válassz embedding-modellt RAG-hoz 2026-ban: mit mond az MTEB és az RTEB, API vagy nyílt súlyok, árak, dimenziók és egy egyhetes összehasonlító teszt.","Három oszlop egymásra rakott kockákból, középen a legmagasabb, mindegyik rövid sávval mérve.",{"slug":447,"published":374,"minutes":6,"category":7,"tags":448,"keywords":452,"about":464,"sources":472,"cover":497,"og":498,"expertise":54,"locales":499,"lang":58,"title":500,"description":501,"coverAlt":502},"contextual-retrieval-late-chunking",[13,449,377,450,451],"Chunking","Contextual retrieval","Late chunking",[453,454,455,456,457,458,459,460,461,462,463],"contextual retrieval","anthropic contextual retrieval","late chunking","contextual chunk embeddings","contextual embeddings rag","contextual bm25","chunk context rag","voyage-context-3","voyage-context-4","late chunking vs contextual retrieval","rag chunking context loss",[465,466,469],{"name":31,"url":32},{"name":467,"url":468},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",{"name":470,"url":471},"Sentence embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSentence_embedding",[473,476,479,482,485,488,491,494],{"title":474,"url":475},"Anthropic: Introducing Contextual Retrieval (Sep 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fcontextual-retrieval",{"title":477,"url":478},"Günther et al.: Late Chunking, Contextual Chunk Embeddings Using Long-Context Embedding Models (2024, rev. 2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.04701",{"title":480,"url":481},"Jina AI: Late Chunking in Long-Context Embedding Models (Aug 2024)","https:\u002F\u002Fjina.ai\u002Fnews\u002Flate-chunking-in-long-context-embedding-models\u002F",{"title":483,"url":484},"Voyage AI: Introducing voyage-context-3 (Jul 2025)","https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F07\u002F23\u002Fvoyage-context-3\u002F",{"title":486,"url":487},"Voyage AI: voyage-context-4 (Jun 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F06\u002F29\u002Fvoyage-context-4\u002F",{"title":489,"url":490},"Voyage AI: Contextualized chunk embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fcontextualized-chunk-embeddings",{"title":492,"url":493},"Anthropic: Claude API pricing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing",{"title":495,"url":496},"Qu, Tu and Bao: Is Semantic Chunking Worth the Computational Cost? (2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.13070","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fog.jpg",[56,57,58],"Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat","A chunkok elveszítik a dokumentumukat. Hogyan javít ezen a contextual retrieval, a late chunking és a kontextusos embedding, mennyibe kerül, és mikor hagyd ki.","Négy szabad négyzet, alul széles kapocs fogja össze, mindegyik felfelé egy nagy laphoz kapcsolódik.",{"slug":504,"published":374,"minutes":375,"category":7,"tags":505,"keywords":509,"about":522,"sources":530,"cover":555,"og":556,"expertise":54,"locales":557,"lang":58,"title":558,"description":559,"coverAlt":560},"rag-access-control-permissions",[13,506,507,508,9],"Access control","Security","Multi-tenancy",[510,511,512,513,514,515,516,517,518,519,520,521],"rag access control","permission aware rag","document level security rag","rag multi tenancy","vector database access control","pgvector row level security","security trimming azure ai search","openfga rag authorization","qdrant multitenancy","pinecone namespaces multitenancy","owasp llm08 vector and embedding weaknesses","rag data leakage",[523,526,529],{"name":524,"url":525},"Access-control list","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAccess-control_list",{"name":527,"url":528},"Multitenancy","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultitenancy",{"name":31,"url":32},[531,534,537,540,543,546,549,552],{"title":532,"url":533},"OWASP GenAI Security Project: LLM08:2025 Vector and Embedding Weaknesses","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm082025-vector-and-embedding-weaknesses\u002F",{"title":535,"url":536},"PostgreSQL documentation: Row Security Policies","https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Fddl-rowsecurity.html",{"title":538,"url":539},"pgvector README: filtering and iterative index scans","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"title":541,"url":542},"Qdrant: Multitenancy and partitions guide","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fguides\u002Fmultiple-partitions\u002F",{"title":544,"url":545},"Pinecone: Implement multitenancy using namespaces","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fimplement-multitenancy",{"title":547,"url":548},"Microsoft Learn: Document-level access control in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsearch-document-level-access-overview",{"title":550,"url":551},"OpenFGA: RAG authorization use case","https:\u002F\u002Fopenfga.dev\u002Fdocs\u002Fuse-cases\u002Frag-authorization",{"title":553,"url":554},"Morris et al.: Text Embeddings Reveal (Almost) As Much As Text (EMNLP 2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06816","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fog.jpg",[56,57,58],"Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül","Hogyan szivárogtatnak dokumentumot a RAG-asszisztensek, és hogyan állítsd meg: ACL minden chunkon, előszűrés, sorszintű biztonság pgvectorban, jogszinkron.","Hét kártya sorban, haton lakat jelvény, a csupasz kártya nyilat küld kifelé.",{"slug":562,"published":374,"minutes":6,"category":7,"tags":563,"keywords":568,"about":580,"sources":588,"cover":615,"og":616,"expertise":617,"locales":618,"lang":58,"title":619,"description":620,"coverAlt":621},"rag-product-catalog-pim-data",[13,564,565,566,567],"PIM","Product data","B2B e-commerce","Metadata filtering",[569,570,571,572,573,574,575,576,577,578,579],"rag product catalog","rag pim data","llm product data","product catalog chatbot","akeneo rag","pimcore ai search","rag structured data","metadata filtering rag","product attributes embeddings","b2b product assistant","etim classification ai",[581,584,585],{"name":582,"url":583},"Product information management","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProduct_information_management",{"name":31,"url":32},{"name":586,"url":587},"ETIM (standard)","https:\u002F\u002Fwww.etim-international.com\u002Fclassification\u002F",[589,592,595,598,600,603,606,609,612],{"title":590,"url":591},"Akeneo API: Products, product values, metric values and product models","https:\u002F\u002Fapi.akeneo.com\u002Fconcepts\u002Fproducts.html",{"title":593,"url":594},"Akeneo Help Center: What about products with variants?","https:\u002F\u002Fhelp.akeneo.com\u002Fserenity-take-the-power-over-your-products\u002Fserenity-what-about-products-with-variants",{"title":596,"url":597},"Pimcore documentation: Classification Store","https:\u002F\u002Fdocs.pimcore.com\u002Fplatform\u002FPimcore\u002FObjects\u002FObject_Classes\u002FData_Types\u002FClassification_Store\u002F",{"title":599,"url":587},"ETIM International: Classification",{"title":601,"url":602},"ETIM International: ETIM releases and the IXF format","https:\u002F\u002Fetim-international.com\u002F?p=754",{"title":604,"url":605},"Reddy et al.: Shopping Queries Dataset, a large-scale ESCI benchmark for improving product search (2022)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06588",{"title":607,"url":608},"Amazon Science: esci-data repository","https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fesci-data",{"title":610,"url":611},"Qdrant documentation: Filtering","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fconcepts\u002Ffiltering\u002F",{"title":613,"url":614},"Sui et al.: Table Meets LLM, can large language models understand structured table data? (WSDM 2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.13062","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fog.jpg","b2b-ecommerce-developer",[56,57,58],"RAG termékkatalógusra: PIM-adatokból megbízható válaszok","A termékadat strukturált, ezért a PDF-szerű chunkolás itt elbukik. Hogyan sorosítsd a PIM-attribútumokat, és hogyan küldd a specifikációs kérdéseket szűrőkhöz.","Kilenc négyzetből álló keret apró jelekkel, alatta tölcsér egyetlen kártyához.",1792261159248]