MindsDB v25.1.3.0 版本发布：增强检索能力与稀疏向量支持

MindsDB 是一个开源的自动化机器学习平台，它允许开发者将机器学习模型直接集成到数据库中。通过 MindsDB，用户可以使用简单的 SQL 语法来训练和部署机器学习模型，无需深入了解复杂的机器学习算法或数据科学流程。

文档与配置改进

本次更新对扩展配置文档进行了全面更新，帮助用户更好地理解和配置 MindsDB 的各项功能。同时，OpenTelemetry（Otel）的配置也进行了调整，默认情况下禁用了 Otel 的日志和指标收集功能，这有助于减少系统开销，特别是在不需要详细监控的环境中。

检索功能增强

SQL 检索器（SQL Retriever）现在具备了更强大的容错能力。当它无法检索到文档时，会自动回退到备用检索器（Fallback Retriever）继续执行检索操作。这种机制显著提高了系统的鲁棒性，确保即使在部分组件出现问题时，整体功能仍能保持可用。

此外，运行管理器（Run Manager）现在已完全集成到 SQL 检索器中，这为检索过程提供了更好的管理和控制能力，使得整个检索流程更加稳定和可靠。

稀疏向量支持

本次更新的一个重要亮点是引入了对稀疏向量的全面支持。稀疏向量是一种在自然语言处理和机器学习中常用的数据结构，特别适合处理高维但大部分值为零的特征空间。

技术团队对知识库（Knowledge Base）和 pgvector 处理器中的稀疏向量处理逻辑进行了重构，使其更加高效和稳定。同时，PGVectorMDB 向量存储现在正式支持稀疏嵌入（Sparse Embeddings），这为处理大规模稀疏数据提供了更好的支持。

pgvector 相关的工具函数也经过了重构，查询结果的格式化问题得到了修复。这些改进使得向量操作更加标准化和可靠，特别是在处理稀疏向量时。

API 与环境配置

现在，用户可以通过环境变量 MINDSDB_APIS 来定义需要启动的 API 服务，这为部署和配置提供了更大的灵活性。用户可以根据实际需求选择性地启用或禁用特定的 API 服务，从而优化资源使用。

其他优化与改进

除了上述主要功能外，本次更新还包括了一系列的优化措施：

• 对 Docker 文档进行了更新，移除了 MySQL API 端口的暴露说明，提高了安全性
• 对 PGVector 中的操作顺序进行了标准化，确保操作的一致性和可预测性
• 整体性能优化，提升了系统的响应速度和处理能力

这些改进使得 MindsDB 在处理机器学习任务时更加高效、稳定，特别是在处理复杂的数据结构和大规模数据集时表现更为出色。对于需要使用稀疏向量或高级检索功能的用户来说，这个版本提供了显著的价值提升。