多模态搜图系统产品系统

套包含 1 亿以上图形（图像） 的图库建立多模态检索系统，同时支持：



以图搜图：上传图片，返回视觉最相似的图形结果。



文字搜图：输入文本描述，返回语义匹配的图形结果。

系统要求在高并发下实现秒级检索响应，特征提取与向量检索需具备水平扩展能力。诚邀一名具备大规模向量检索系统实战经验的工程师，独立或主导完成整个后端检索系统的设计、开发与调优。

一个完整的系统通常包含几个关键部分，它们共同保障了高并发下的快速响应和水平扩展能力：

多模态嵌入模型：比如开源的CLIP模型或云服务商提供的专有模型，是系统的“大脑”，负责理解并向量化所有输入内容。它能进行零样本学习，即无需针对特定图片集训练，就能理解各种自然语言描述。

高性能向量检索数据库：这是系统的“记忆库”和“搜索引擎”。当图片库达到上亿级别时，需要一个像Milvus、FAISS这样的专业向量数据库来存储所有向量，并实现毫秒级的相似度检索。

云端服务与检索增强生成（RAG）：成熟的方案常与云服务结合，提供一键式的数据处理和索引构建能力。更重要的是，多模态RAG可以将其应用于更复杂的场景，例如一个AI助理不仅能根据你的问题找到相关的手册文字，还能把手册里的结构图、配件清单等图片作为证据一并找出，并进行分析回答

我负责整个方案的制定，POC demo 代码实现，调试及部署。

并制定scale up 升级方案的具体制定。
这个系统可以支撑1亿+图像检索，单次检索延迟