انتقل إلى المحتوى
شعار أوراباسي
aurabase

دليل البحث عن RAG وVector

أنشئ بحثًا دلاليًا وخط أنابيب توليد الاسترجاع المعزز (RAG) باستخدام pgvector وبوابة Aurabase AI.

درس تعليمي12 د قراءةالمستوى متقدمتمت المراجعة في 19‏/08‏/2026

تمت ترجمة هذه الصفحة تلقائيًا. النسخة الإنجليزية موثوقة.

RAG على Aurabase في 3 خطوات#

يتيح RAG لنماذج الذكاء الاصطناعي الخاصة بك الاستجابة بدقة لبياناتك الخاصة دون إعادة التدريب:

  • المتجهات: يتم تحويل مستنداتك النصية إلى متجهات رقمية باستخدام aura.ai.embed().
  • التخزين والفهرسة: يتم تخزين المتجهات في PostgreSQL بالامتداد الأصلي pgvector.
  • التعزيز والإجابة: تتم مقارنة السؤال بالمتجهات المخزنة، ويتم توفير المقتطفات ذات الصلة إلى LLM عبر aura.ai.chat().

رمز خط أنابيب RAG الكامل#

src/lib/index-doc.tstypescript
import { aura } from '@/lib/aurabase'

export async function indexDocument(content: string, metadata: Record<string, any>) {
  // حساب تضمين المتجهات عبر بوابة AI Aurabase
  const { vectors } = await aura.ai.embed({
    provider: 'openai',
    model: 'text-embedding-3-small',
    input: [content],
  })

  // الحفظ في الجدول PostgreSQL
  const { data, error } = await aura.from('documents').insert({
    content,
    metadata,
    embedding: vectors[0],
  })
  return { data, error }
}

HNSW فهرسة للاستعلامات الفرعية 10 مللي ثانية#

بالنسبة لقواعد البيانات التي تحتوي على مئات الآلاف من المتجهات، توفر فهرسة HNSW (عالم صغير قابل للملاحة الهرمي) أداء بحث أفضل بكثير من ivfflat:

HNSW الفهرس (مستحسن)

صفر وقت ما قبل التدريب، واستدعاء > 99%، وزمن انتقال ثابت حتى مع عمليات الإدراج المستمرة للمستندات الجديدة.

مسافة جيب التمام (<=>)

استخدم عامل التشغيل <=> لحساب مسافة جيب التمام الطبيعية بين متجهات التضمين.

ذاكرة التخزين المؤقت الدلالية والمدخرات الرمزية#

تدمج بوابة AI الخاصة بـ Aurabase ذاكرة تخزين مؤقت دلالية : إذا طرح مستخدمان سؤالاً مشابهًا (تشابه جيب التمام أكبر من 0.95)، يتم تقديم الإجابة من ذاكرة التخزين المؤقت في الذاكرة في أقل من 2 مللي ثانية، مما يوفر 100% من تكلفة استدعاء LLM.

للذهاب أبعد من ذلك#