دليل البحث عن RAG وVector
أنشئ بحثًا دلاليًا وخط أنابيب توليد الاسترجاع المعزز (RAG) باستخدام pgvector وبوابة Aurabase AI.
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#
typescript
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.