AMD：hipVS——面向Instinct的GPU向量检索库，兼容cuVS API，并附智能体RAG演示
AMD发布了hipVS，这是一个基于hipRAFT算法、面向AMD Instinct GPU的GPU加速向量检索库。该库与NVIDIA cuVS平台API兼容，支持四种检索算法，并附带智能体RAG系统演示——该系统将查询分解为3至5个子查询。
本文由人工智能基于一手来源生成。
什么是向量检索与RAG？
向量检索是在高维空间中寻找最相似向量的技术——它是现代语义搜索和RAG系统的核心。与关键词匹配不同，向量检索比较的是语义的数值表示。RAG（Retrieval-Augmented Generation，检索增强生成）是一种通过从外部数据库检索相关文档来增强语言模型的方法，无需重新训练即可提供更准确、可验证的答案。正是GPU加速的向量检索，使RAG系统能够在大规模语料上实现实时运行。
四种算法与NVIDIA生态的兼容性
hipVS构建于AMD的hipRAFT算法之上，支持四种向量检索方法。CAGRA是一种基于图的近似最近邻（ANN）算法，以在密集索引上的高性能著称。IVF-Flat提供聚类内的精确检索，不进行压缩；IVF-PQ采用乘积量化进行压缩ANN检索，内存占用更小。第四种算法是暴力精确k-NN，保证在无近似的情况下获得精确结果。
AMD特别强调了与NVIDIA cuVS API的兼容性。这意味着已在NVIDIA硬件上使用cuVS的开发团队，可以以极少的代码修改将工作负载迁移到AMD Instinct GPU——这是相对于主导地位的CUDA生态的直接竞争优势。
演示：具备查询分解的智能体RAG
随库一同发布的，是AMD的智能体RAG系统演示，展示了hipVS的实际应用。当用户提交复杂查询时，系统会自动将其分解为3至5个子查询，并行发送至向量数据库。随后对结果进行去重以消除重叠文档，最终由语言模型综合生成答案，并对每条论断明确标注来源。
这种架构在应对复杂多部分问题时，表现远优于经典的单次RAG查询。AMD将hipVS定位为企业级AI系统的基础设施底座，为需要在自有硬件上进行可扩展向量检索的场景提供替代Pinecone或Weaviate等云端向量数据库的方案。
常见问题
- 什么是向量检索，它为何对AI系统至关重要？
- 向量检索在高维空间中找到最相似的向量，是RAG系统的核心——它使模型能够在生成回答前从文档库中快速找到相关上下文。
- AMD为何强调与NVIDIA cuVS API的兼容性？
- 与cuVS API兼容意味着用户可以以极少的代码改动将现有NVIDIA工作负载迁移到AMD Instinct GPU，从而降低转向AMD硬件的门槛。
📬 AI 新闻直达您的邮箱
按您的方式定制每日摘要——自选主题、来源和频率，一键退订。