# 应用案例

> 关于混合搜索、自适应检索、以图搜图、多租户架构、稀疏向量以及 RAG 问答系统的实战教程。

---

LLMS 索引： [llms.txt](/zh/llms.txt)

---

本节页面：

- [混合搜索](/zh/docs/vectors/use-case/hybrid-search/): 本节将向您展示如何使用 pgvecto.rs 实现混合搜索。
- [自适应检索与缩短嵌入向量](/zh/docs/vectors/use-case/adaptive-retrieval/): OpenAI 最新的嵌入模型支持缩短嵌入向量，开发者只需移除序列末尾的部分数值，即可在保持有效文本表示的同时降低存储与计算开销。
- [以图搜图与智能图像搜索](/zh/docs/vectors/use-case/image-search/): 智能图像搜索（又称基于内容的图像检索）超越了传统的关键词搜索，让用户能够根据图像的视觉内容进行搜索。
- [多租户架构](/zh/docs/vectors/use-case/multi-tenancy/): 多租户对于 SaaS 应用至关重要，它允许单个实例服务多个用户或群组，同时确保数据隐私与安全。本文概述如何使用 pgvecto.rs 设计并实现一个简单的多租户向量搜索系统。
- [稀疏向量搜索](/zh/docs/vectors/use-case/sparse-vector/): 过去，混合搜索结合了传统的关键词搜索与基于向量的相似度搜索。如今，稀疏向量可以替代关键词搜索，通过纯向量搜索释放数据流水线的全部潜力。
- [生成式问答（Generative QA）](/zh/docs/vectors/use-case/question-answering/): 向量搜索可用于为 OpenAI GPT 系列等生成式模型提供上下文，从而提升输出质量。