7 سنوات، عمليتا إعادة بناء رئيسيتان، وأكثر من 40 ألف نجم على GitHub: صعود ميلفوس كقاعدة بيانات رائدة مفتوحة المصدر للمتجهات

في يونيو 2025، وصلت Milvus إلى 35,000 نجمة على GitHub. وبعد مرور بضعة أشهر فقط، تجاوزناالآن 40,000 نجمة، وهو دليلليس فقط على الزخم بل على وجود مجتمع عالمي يواصل دفع مستقبل البحث المتجه والمتعدد الوسائط إلى الأمام.

نحن ممتنون للغاية. إلى كل من قام بالتأشير بنجمة، أو قام بالتشعب، أو رفع مشكلات، أو تجادل حول واجهة برمجة التطبيقات، أو شارك معيارًا، أو بنى شيئًا مذهلًا مع ميلفوس: شكرًا لكم، وأنتم السبب في أن هذا المشروع يسير بالسرعة التي يسير بها. إن كل نجمة تمثل أكثر من مجرد الضغط على زر، فهي تعكس اختيار شخص ما لميلفوس لتشغيل عمله، شخص يؤمن بما نبنيه، شخص يشاركنا رؤيتنا لبنية تحتية مفتوحة ومتاحة وعالية الأداء للذكاء الاصطناعي.

لذا بينما نحتفل، فإننا نتطلع أيضًا إلى المستقبل - إلى الميزات التي تطلبها، وإلى البنى التي يتطلبها الذكاء الاصطناعي الآن، وإلى عالم يكون فيه الفهم متعدد الوسائط والدلالات هو الأساس في كل تطبيق.

الرحلة: من الصفر إلى أكثر من 40,000 نجمة

عندما بدأنا في بناء Milvus في عام 2017، لم يكن مصطلح قاعدة بيانات المتجهات موجوداً أصلاً. لقد كنا مجرد فريق صغير من المهندسين المقتنعين بأن تطبيقات الذكاء الاصطناعي ستحتاج قريباً إلى نوع جديد من البنية التحتية للبيانات - نوع جديد لم يتم بناؤه للصفوف والأعمدة، ولكن للبيانات عالية الأبعاد وغير المنظمة ومتعددة الوسائط. لم تكن قواعد البيانات التقليدية مصممة لهذا العالم، وكنا نعلم أن على شخص ما أن يعيد تخيل شكل التخزين والاسترجاع.

كانت الأيام الأولى بعيدة كل البعد عن البريق. فبناء بنية تحتية على مستوى المؤسسات هو عمل بطيء وعنيد - أسابيع من العمل الشاق - قضيناها في تحديد مسارات التعليمات البرمجية وإعادة كتابة المكونات والتشكيك في خيارات التصميم في الساعة الثانية صباحًا. حملتنا هذه المهمة خلال الإنجازات الأولى وخلال الانتكاسات التي لا مفر منها.

وعلى طول الطريق، غيّرت بعض نقاط التحول كل شيء:

• 2019: قمنا بإطلاق Milvus 0.10 مفتوح المصدر. كان ذلك يعني الكشف عن جميع حوافنا الصعبة - الاختراقات، والأجزاء التي لم نكن فخورين بها بعد. لكن المجتمع ظهر. قدم المطورون مشاكل لم نكن لنجدها أبدًا، واقترحوا ميزات لم نكن نتخيلها، وتحدوا الافتراضات التي جعلت ميلفوس أقوى في نهاية المطاف.

• 2020-2021: انضممنا إلى مؤسسة LF AI & Data Foundation، وشحننا Milvus 1.0، وتخرجنا من مؤسسة LF AI & Data، وفزنا في تحدي البحث المتجه على نطاق مليار على نطاق BigANN - وهو دليل مبكر على أن بنيتنا يمكن أن تتعامل مع النطاق الحقيقي.

• 2022: احتاج المستخدمون من المؤسسات إلى توسيع نطاق Kubernetes الأصلي والمرونة والفصل الحقيقي بين التخزين والحساب. واجهنا قراراً صعباً: إما تصحيح النظام القديم أو إعادة بناء كل شيء. اخترنا المسار الأصعب. كان نظام Milvus 2.0 بمثابة إعادة ابتكار من الألف إلى الياء، حيث قدمنا بنية سحابية أصلية منفصلة تماماً حولت Milvus إلى منصة على مستوى الإنتاج لأعباء عمل الذكاء الاصطناعي ذات المهام الحرجة.

• 2024-2025: حازت شركة Zilliz (الفريق الذي يقف وراء Milvus) على لقب الشركة الرائدة من قِبل Forrester، وتجاوزت 30,000 نجمة، وتجاوزت الآن 40,000 نجمة. لقد أصبح العمود الفقري للبحث متعدد الوسائط، وأنظمة RAG، وسير العمل الوكيل، والاسترجاع على نطاق المليار في مختلف القطاعات - التعليم والتمويل والإنتاج الإبداعي والبحث العلمي وغيرها.

لم يتم تحقيق هذا الإنجاز من خلال الضجيج، ولكن من خلال اختيار المطورين لـ Milvus لأعباء عمل الإنتاج الحقيقية ودفعنا إلى التحسين في كل خطوة على الطريق.

2025: إصداران رئيسيان ومكاسب هائلة في الأداء

كان عام 2025 هو العام الذي خطا فيه ميلفوس إلى مستوى جديد. في حين أن البحث المتجه يتفوق في الفهم الدلالي، فإن الواقع في الإنتاج بسيط: لا يزال المطورون بحاجة إلى مطابقة دقيقة للكلمات الرئيسية لمعرفات المنتجات والأرقام التسلسلية والعبارات الدقيقة والمصطلحات القانونية وغيرها. بدون البحث في النص الكامل الأصلي، اضطرت الفرق إلى الحفاظ على مجموعات Elasticsearch/OpenSearch أو لصق حلولهم المخصصة معًا - مما ضاعف من النفقات التشغيلية والتجزئة.

غيّرميلفوس 2.5 ذلك. فقد قدم بحثًا هجينًا أصليًا حقيقيًا يجمع بين استرجاع النص الكامل والبحث المتجه في محرك واحد. وللمرة الأولى، يمكن للمطورين تشغيل الاستعلامات المعجمية والاستعلامات الدلالية ومرشحات البيانات الوصفية معًا دون الحاجة إلى أنظمة إضافية أو مزامنة خطوط الأنابيب. كما قمنا أيضًا بترقية تصفية البيانات الوصفية وتحليل التعبيرات وكفاءة التنفيذ بحيث تبدو الاستعلامات المختلطة طبيعية - وسريعة - في ظل أحمال الإنتاج الحقيقية.

وقد دفع الإصدارMilvus 2.6 هذا الزخم إلى أبعد من ذلك، مستهدفًا التحديين اللذين نسمعهما غالبًا من المستخدمين الذين يعملون على نطاق واسع: التكلفة والأداء. قدم هذا الإصدار تحسينات معمارية عميقة - مسارات استعلام أكثر قابلية للتنبؤ، وفهرسة أسرع، واستخدام أقل للذاكرة بشكل كبير، وتخزين أكثر كفاءة بشكل ملحوظ. وقد أبلغت العديد من الفرق عن تحقيق مكاسب فورية دون تغيير سطر واحد من التعليمات البرمجية للتطبيق.

فيما يلي بعض النقاط البارزة من Milvus 2.6:

• التخزين المتدرج الذي يتيح للفرق تحقيق التوازن بين التكلفة والأداء بذكاء أكبر، مما يقلل من تكاليف التخزين بنسبة تصل إلى 50%.

• توفير هائل في الذاكرة من خلال تكميم RaBitQ 1 بت - تقليل استخدام الذاكرة بنسبة تصل إلى 72% مع توفير استعلامات أسرع.

• محرك نص كامل أعيد تصميمه مع تطبيق BM25 أسرع بكثير - أسرع بما يصل إلى 4 أضعاف من Elasticsearch في معاييرنا.

• فهرس مسار جديد للبيانات الوصفية المهيكلة JSON، مما يتيح تصفية أسرع بما يصل إلى 100 ضعف سرعة تصفية المستندات المعقدة.

• AiSAQ: ضغط على نطاق المليار مع تقليل التخزين بمعدل 3200× واستدعاء قوي

• بحثدلالي + بحث جغرافي مكاني مع R-Tree: الجمع بين مكان وجود الأشياء وما تعنيه للحصول على نتائج أكثر صلة بالموضوع

• CAGRA + Vamana: يقلل من تكلفة النشر مع وضع CAGRA الهجين الذي يعتمد على وحدة معالجة الرسومات ولكن الاستعلامات على وحدة المعالجة المركزية

• سير عمل"دخول البيانات وخروجها" الذي يبسّط عملية تضمين الاستيعاب والاسترجاع، خاصةً لخطوط الأنابيب متعددة الوسائط

• دعم ما يصل إلى 100 ألف مجموعة في مجموعة واحدة - وهي خطوة كبيرة نحو تعدد الاستئجار الحقيقي على نطاق واسع.

لإلقاء نظرة أعمق على الإصدار Milvus 2.6، راجع ملاحظات الإصدار الكامل.

ما وراء ميلفوس: أدوات مفتوحة المصدر لمطوري الذكاء الاصطناعي

في عام 2025، لم نكتفِ بتحسين Milvus - بل قمنا ببناء أدوات تعزز النظام البيئي لمطوري الذكاء الاصطناعي بأكمله. لم يكن هدفنا ملاحقة الاتجاهات السائدة، بل كان هدفنا هو منح المطورين الأدوات المفتوحة والقوية والشفافة التي لطالما تمنينا وجودها.

DeepSearcher: بحث بدون قيود سحابية

أثبت برنامج OpenAI's Deep Researcher من OpenAI ما يمكن أن يفعله وكلاء التفكير العميق. ولكنه مغلق ومكلف ومغلق خلف واجهات برمجة التطبيقات السحابية. DeepSearcher هو إجابتنا. إنه محرك بحث عميق محلي ومفتوح المصدر مصمم لأي شخص يريد إجراء تحقيقات منظمة دون التضحية بالتحكم أو الخصوصية.

يعمل DeepSearcher بالكامل على جهازك، ويجمع المعلومات من مختلف المصادر، ويجمع الرؤى ويجمعها، ويوفر اقتباسات وخطوات استدلالية وإمكانية التتبع - وهي ميزات ضرورية للبحث الحقيقي، وليس فقط ملخصات على مستوى السطح. لا توجد صناديق سوداء. لا قيود على البائعين. فقط تحليل شفاف وقابل للتكرار يمكن للمطورين والباحثين الوثوق به.

سياق كلود: مساعدي الترميز الذين يفهمون بالفعل التعليمات البرمجية الخاصة بك

لا تزال معظم أدوات الترميز بالذكاء الاصطناعي تتصرف مثل خطوط أنابيب الجريب الفاخرة - سريعة وسطحية ومحترقة بالرموز وغير مدركة لهيكل المشروع الحقيقي. كلود السياق يغير ذلك. تم تصميمه كمكوِّن إضافي لبرنامج MCP، وهو أخيرًا يمنح مساعدي الترميز ما كانوا يفتقدونه: فهم دلالي حقيقي لقاعدة التعليمات البرمجية الخاصة بك.

يبني Claude Context فهرسًا دلاليًا مدعومًا بالمتجهات عبر مشروعك، مما يسمح للوكلاء بالعثور على الوحدات الصحيحة، وتتبع العلاقات عبر الملفات، وفهم القصد على مستوى البنية، والإجابة على الأسئلة ذات الصلة بدلاً من التخمين. فهو يقلل من إهدار الرموز، ويعزز الدقة، والأهم من ذلك - يسمح لمساعدي الترميز بالتصرف كما لو كانوا يفهمون برنامجك حقًا بدلاً من التظاهر بذلك.

كلتا الأداتين مفتوحة المصدر بالكامل. لأن البنية التحتية للذكاء الاصطناعي يجب أن تكون ملكاً للجميع - ولأن مستقبل الذكاء الاصطناعي يجب ألا يكون محبوساً خلف جدران الملكية.

موثوق بها من قبل أكثر من 10,000 فريق في الإنتاج

اليوم، يقوم أكثر من 10,000 فريق من الشركات بتشغيل Milvus في الإنتاج - من الشركات الناشئة سريعة النمو إلى بعض من أكثر شركات التكنولوجيا والشركات المدرجة على قائمة فورتشن 500 العالمية. تعتمد فرق العمل في NVIDIA، وSalesforce، وEBay، وAirbnb، وAIBM، وAT&T، وAT&T، وLINE، وShopee، وRoblox، وBosch، وداخل Microsoft، على Milvus لتشغيل أنظمة الذكاء الاصطناعي التي تعمل كل دقيقة من كل يوم. تشمل أعباء العمل الخاصة بهم البحث، والتوصيات، وخطوط الأنابيب الوكيلة، والاسترجاع متعدد الوسائط، والتطبيقات الأخرى التي تدفع البنية التحتية للناقلات إلى أقصى حدودها.

ولكن الأهم من ذلك ليس فقط من يستخدم Milvus - بل ما يقومون ببنائه باستخدامه. عبر مختلف الصناعات، تقف Milvus وراء الأنظمة التي تشكل كيفية عمل الشركات وابتكارها ومنافستها:

• مساعدو الذكاء الاصطناعي ومساعدو الشركات الذين يحسّنون دعم العملاء، وسير عمل المبيعات، واتخاذ القرارات الداخلية من خلال الوصول الفوري إلى مليارات التضمينات.

• البحث الدلالي والمرئي في التجارة الإلكترونية ووسائل الإعلام والإعلان، مما يؤدي إلى زيادة التحويل واكتشاف أفضل وإنتاج إبداعي أسرع.

• منصات الذكاء القانوني والمالي والعلمي حيث تُترجم الدقة وقابلية التدقيق والامتثال إلى مكاسب تشغيلية حقيقية.

• محركات الكشف عن الاحتيال والمخاطر في مجال التكنولوجيا المالية والمصرفية التي تعتمد على المطابقة الدلالية السريعة لمنع الخسائر في الوقت الفعلي.

• أنظمة RAG والأنظمة العميلة واسعة النطاق التي تمنح الفرق سلوكيات ذكاء اصطناعي عميقة السياق ومدركة للمجال.

• طبقات المعرفة المؤسسية التي توحد النصوص والرموز والصور والبيانات الوصفية في نسيج دلالي واحد متماسك.

وهذه ليست معايير مختبرية - إنها بعض من أكثر عمليات النشر الإنتاج تطلبًا في العالم. يقدم ميلفوس بشكل روتيني:

• استرجاع البيانات في أقل من 50 مللي ثانية عبر مليارات المتجهات

• مليارات المستندات والأحداث المدارة في نظام واحد

• سير عمل أسرع 5-10 أضعاف من الحلول البديلة

• هياكل متعددة المستأجرين تدعم مئات الآلاف من المجموعات

تختار فرق العمل Milvus لسبب بسيط: إنه يوفر السرعة والموثوقية وفعالية التكلفة والقدرة على التوسع إلى المليارات دون تمزيق بنيتها كل بضعة أشهر. إن الثقة التي تضعها هذه الفرق فينا هي السبب الذي يجعلنا نستمر في تعزيز Milvus لعقد من الذكاء الاصطناعي في المستقبل.

عندما تحتاج إلى ميلفوس بدون عمليات: زيليز كلاود

ميلفوس مجاني وقوي ومختبر في المعارك. ولكنه أيضًا نظام موزع - وتشغيل الأنظمة الموزعة بشكل جيد هو عمل هندسي حقيقي. ضبط الفهرس، وإدارة الذاكرة، واستقرار المجموعة، والتوسع، وإمكانية المراقبة... هذه المهام تستغرق وقتًا وخبرة لا تملكها العديد من الفرق ببساطة. أراد المطورون قوة Milvus، فقط دون العبء التشغيلي الذي يأتي حتمًا مع إدارتها على نطاق واسع.

قادنا هذا الواقع إلى استنتاج بسيط: إذا كانت Milvus ستصبح البنية التحتية الأساسية لتطبيقات الذكاء الاصطناعي، فعلينا أن نجعل تشغيلها سهل التشغيل. لهذا السبب قمنا ببناء Zilliz Cloud، وهي خدمة Milvus المدارة بالكامل والتي أنشأها وصيانتها نفس الفريق الذي يقف وراء المشروع مفتوح المصدر.

توفر Zilliz Cloud للمطورين خدمة Milvus التي يعرفونها ويثقون بها بالفعل - ولكن دون الحاجة إلى توفير مجموعات أو مكافحة مشاكل الأداء أو التخطيط للترقيات أو القلق بشأن التخزين وضبط الحوسبة. ولأنها تتضمن تحسينات يستحيل تشغيلها في البيئات المُدارة ذاتياً، فهي أسرع وأكثر موثوقية. يوفر الكاردينال، محركنا المتجه ذاتي التحسين من الدرجة التجارية، أداءً يفوق 10 أضعاف أداء محرك ميلفوس مفتوح المصدر.

ما يميز زيليز كلاود عن غيره

• أداء ذاتي التحسين: يقوم AutoIndex تلقائيًا بضبط HNSW و IVF و DiskANN تلقائيًا، مما يوفر أكثر من 96% من الاسترجاع بدون أي تكوين يدوي.

• مرن وفعال من حيث التكلفة: غالبًا ما يؤدي تسعير الدفع حسب الاستخدام، والتوسيع التلقائي بدون خادم، والإدارة الذكية للموارد إلى تقليل التكاليف بنسبة 50% أو أكثر مقارنةً بعمليات النشر المُدارة ذاتيًا.

• الموثوقية على مستوى المؤسسات: اتفاقية مستوى الخدمة لوقت التشغيل بنسبة 99.95%، والتكرار متعدد المناطق، وSOC 2 من النوع الثاني، وISO 27001، والامتثال للائحة العامة لحماية البيانات. دعم كامل لنظام RBAC وBYOC وسجلات التدقيق والتشفير.

• نشر لا يعتمد على السحابة: التشغيل على AWS أو Azure أو GCP أو Alibaba Cloud أو Tencent Cloud - لا يوجد قفل للبائع، وأداء متسق في كل مكان.

• استعلامات اللغة الطبيعية: يتيح لك دعم خادم MCP المدمج إمكانية الاستعلام عن البيانات بطريقة المحادثة بدلاً من صياغة مكالمات واجهة برمجة التطبيقات يدوياً.

• ترحيل سهل: يمكنك الانتقال من Milvus أو Pinecone أو Qdrant أو Weaviate أو Elasticsearch أو PostgreSQL باستخدام أدوات الترحيل المدمجة - لا حاجة لإعادة كتابة المخطط أو التوقف عن العمل.

• متوافق بنسبة 100% مع Milvus مفتوح المصدر. لا توجد شوكات ملكية. لا يوجد قفل. فقط ميلفوس أصبح أسهل.

سيبقى Milvus دائمًا مفتوح المصدر ومجاني الاستخدام. لكن تشغيله وتشغيله بشكل موثوق على نطاق المؤسسة يتطلب خبرة وموارد كبيرة. Zilliz Cloud هي إجابتنا على هذه الفجوة. يوفر Zilliz Cloud، الذي تم نشره عبر 29 منطقة وخمس سحابات رئيسية، أداءً وأمانًا وفعالية من حيث التكلفة على مستوى المؤسسات مع الحفاظ على توافقك التام مع Milvus الذي تعرفه بالفعل.

ابدأ تجربة مجانية →

ماذا بعد بحيرة ميلفوس

بصفتنا الفريق الذي قدم قاعدة البيانات المتجهة، كان لدينا مقعد في الصف الأمامي لكيفية تغير بيانات المؤسسة. فما كان يتناسب في السابق مع تيرابايت من الجداول المنظمة يتحول بسرعة إلى بيتابايت - وقريباً تريليونات - من الكائنات متعددة الوسائط. النصوص والصور والصوت والصوت والفيديو وتدفقات السلاسل الزمنية والسجلات متعددة المستشعرات... هذه الآن تحدد مجموعات البيانات التي تعتمد عليها أنظمة الذكاء الاصطناعي الحديثة.

قواعد البيانات المتجهة مصممة خصيصًا للبيانات غير المهيكلة ومتعددة الوسائط، ولكنها ليست دائمًا الخيار الأكثر اقتصادًا أو الأكثر سلامة من الناحية المعمارية - خاصةً عندما تكون الغالبية العظمى من البيانات باردة. عادةً لا تتطلب مجموعات البيانات التدريبية للنماذج الكبيرة، وسجلات إدراك القيادة الذاتية، ومجموعات بيانات الروبوتات عادةً زمن استجابة على مستوى أجزاء من الثانية أو التزامن العالي. يصبح تشغيل هذا الحجم من البيانات من خلال قاعدة بيانات متجهة في الوقت الحقيقي مكلفاً وثقيلاً من الناحية التشغيلية ومعقداً للغاية بالنسبة لخطوط الأنابيب التي لا تتطلب هذا المستوى من الأداء.

قادنا هذا الواقع إلى مبادرتنا الرئيسية التالية: بحيرة Milvus Lake - وهيبحيرة متعددة الوسائط تعتمد على الفهرسة الدلالية أولاً ومصممة للبيانات على نطاق الذكاء الاصطناعي. توحِّد بحيرة ميلفوس ليك الإشارات الدلالية عبر كل طريقة - المتجهات والبيانات الوصفية والتسميات والأوصاف التي تم إنشاؤها بواسطة LLM والحقول المهيكلة - وتنظمها في جداول واسعة دلالية ترتكز حول كيانات الأعمال الحقيقية. وتصبح البيانات التي كانت تعيش في السابق كملفات خام مبعثرة في مخازن الكائنات والبحيرات والنماذج، طبقة دلالية موحدة وقابلة للاستعلام. تتحول المجموعات الضخمة متعددة الوسائط إلى أصول قابلة للإدارة والاسترجاع وإعادة الاستخدام ذات معنى متسق عبر المؤسسة.

تحت غطاء المحرك، تم بناء بحيرة ميلفوس على بنية بيان + بيانات + فهرس نظيفة تتعامل مع الفهرسة على أنها أساسية وليست فكرة لاحقة. هذا يفتح سير عمل "الاسترداد أولاً، ثم المعالجة لاحقاً" المحسّن للبيانات الباردة على نطاق تريليون - مما يوفر زمن استجابة يمكن التنبؤ به، وتكاليف تخزين أقل بكثير، واستقرار تشغيلي أكبر بكثير. يحافظ نهج التخزين المتدرج - NVMe/SSD للمسارات الساخنة وتخزين الكائنات للأرشيفات العميقة - المقترن بالضغط الفعال والفهارس المحملة ببطء على الدقة الدلالية مع الحفاظ على التحكم في نفقات البنية التحتية بشكل ثابت.

يتصل Milvus Lake أيضًا بسلاسة بمنظومة البيانات الحديثة، حيث يتكامل مع Paimon و Iceberg و Hudi و Spark و Ray وغيرها من محركات وتنسيقات البيانات الضخمة. يمكن للفرق تشغيل معالجة الدُفعات وخطوط الأنابيب في الوقت الفعلي تقريبًا والاسترجاع الدلالي وهندسة الميزات وإعداد بيانات التدريب في مكان واحد - دون إعادة تصميم سير العمل الحالي. سواء كنت تقوم ببناء مجموعات النماذج الأساسية، أو إدارة مكتبات محاكاة القيادة الذاتية، أو تدريب وكلاء الروبوتات، أو تشغيل أنظمة الاسترجاع على نطاق واسع، فإن بحيرة Milvus Lake توفر بحيرة دلالية قابلة للتوسيع وفعالة من حيث التكلفة لعصر الذكاء الاصطناعي.

بحيرة ميلفوس ليك قيد التطوير النشط. هل أنت مهتم بالوصول المبكر أو تريد معرفة المزيد؟

اتصل بنا →

صممه المجتمع، من أجل المجتمع

ما يميز ميلفوس ليس فقط التكنولوجيا - بل الأشخاص الذين يقفون وراءها. تمتد قاعدة المساهمين لدينا في جميع أنحاء العالم، حيث تجمع بين المتخصصين في الحوسبة عالية الأداء والأنظمة الموزعة والبنية التحتية للذكاء الاصطناعي. وقد ساهم مهندسون وباحثون من ARM و NVIDIA و AMD و Intel و Meta و IBM و Salesforce و Alibaba و Microsoft وغيرهم الكثير بخبراتهم لتشكيل Milvus على ما هو عليه اليوم.

كل طلب سحب، وكل تقرير عن الأخطاء، وكل سؤال تمت الإجابة عليه في منتدياتنا، وكل برنامج تعليمي تم إنشاؤه - هذه المساهمات تجعل ميلفوس أفضل للجميع.

هذا الإنجاز ينتمي إليكم جميعًا:

• إلى مساهمينا: شكرًا لكم على شفرتكم وأفكاركم ووقتكم. أنتم تجعلون ميلفوس أفضل كل يوم.

• لمستخدمينا: شكرًا لكم على ثقتكم في ميلفوس بأعباء العمل الإنتاجية ومشاركة تجاربكم، سواء كانت جيدة أو صعبة. ملاحظاتكم هي التي تقود خارطة طريقنا.

• إلى داعمي مجتمعنا: شكرًا لكم على إجابتكم على الأسئلة، وكتابة الدروس التعليمية، وإنشاء المحتوى، ومساعدة الوافدين الجدد على البدء. أنتم تجعلون مجتمعنا مرحباً وشاملاً.

• إلى شركائنا والمتكاملين معنا: شكراً لكم على البناء معنا وجعل ميلفوس مواطناً من الدرجة الأولى في منظومة تطوير الذكاء الاصطناعي.

• إلى فريق زيليز: شكرًا لكم على التزامكم الثابت تجاه المشروع المفتوح المصدر ونجاح مستخدمينا.

لقد نمت ميلفوس لأن الآلاف من الأشخاص قرروا بناء شيء ما معًا - بشكل مفتوح وسخي، وباعتقادهم أن البنية التحتية الأساسية للذكاء الاصطناعي يجب أن تكون متاحة للجميع.

انضم إلينا في هذه الرحلة

سواء كنت تنشئ أول تطبيق بحث متجه أو تتوسع إلى مليارات المتجهات، نود أن تكون جزءًا من مجتمع Milvus.

ابدأ

• ⭐ انضم إلينا على GitHub: github.com/milvus-io/milvus

• ☁️ جرب زيليز كلاود مجانًا: zilliz.com/cloud

• 💬 انضم إلى موقعنا Discord للتواصل مع المطورين في جميع أنحاء العالم

• 📚 استكشف مستنداتنا: وثائق ميلفوس

• 💬 احجز جلسة فردية مدتها 20 دقيقة للحصول على رؤى وإرشادات وإجابات لأسئلتك.

الطريق أمامنا مثير. نظرًا لأن الذكاء الاصطناعي يعيد تشكيل الصناعات ويطلق العنان لإمكانيات جديدة، فإن قواعد البيانات المتجهة ستكون في صميم هذا التحول. نحن نعمل معًا على بناء الأساس الدلالي الذي تعتمد عليه تطبيقات الذكاء الاصطناعي الحديثة - ونحن في البداية فقط.

نخب الـ 40,000 نجمة القادمة، ونخب بناء مستقبل البنية التحتية للذكاء الاصطناعي معاً. 🎉