描述 随着 AI 应用从原型走向生产，传统数据基础设施的局限性开始显现。为分析或事务设计的系统，难以支撑现代 AI 工作负载——尤其是大规模的向量检索、混合过滤与多模态数据。

在本次演讲中，我们将介绍 Milvus 以及"向量湖仓"（Vector Lakebase）的概念——这是一个 AI 原生的数据平台，将向量检索与湖仓存储统一起来。Vector Lakebase 不再是构建又一个独立的向量数据库，而是把索引与检索能力直接带到 Iceberg、Paimon 等数据湖之上。

我们将深入 Milvus 背后的架构与关键设计决策，包括：

如何在不复制数据的前提下，直接在 Iceberg/Paimon 表上实现高效向量检索 零拷贝数据访问：分离计算与存储，同时避免代价高昂的数据搬运 快照对齐的索引：让向量索引与湖仓元数据保持一致 应对多租户、过滤、冷启动性能等生产级挑战

我们还会分享该架构最能发挥价值的一些真实场景：

需要一致、高召回率检索的 Agentic 检索系统 跨越大型异构数据集的数据发现 大规模场景下的数据去重与基于相似度的数据管理

最后，我们将讨论 AI 原生数据基础设施的演进方向——以及为何"将向量检索融入数据湖"而非构建孤立系统，正在成为主导范式。

讲师:

Xiaofan Luan：Zilliz 合伙人兼工程总监

Xiaofan Luan 是 Zilliz 合伙人兼工程总监，LF AI & Data 基金会技术咨询委员会（Technical Advisory Committee）成员。他先后任职于 Oracle 美国总部以及软件定义存储初创公司 Hedvig。之后加入阿里云数据库团队，负责 NoSQL 数据库 HBase 与 Lindorm 的研发。Xiaofan Luan 拥有康奈尔大学电子计算机工程硕士学位。