Aurabase-Logo
AurabasisDokumente
Dokumente›Führer›RAG & pgvector

Leitfaden zur RAG- und Vektorsuche

Erstellen Sie eine blitzschnelle semantische Suche und ein umfassendes Retrieval-Augmented Generation (RAG)-System, das PostgreSQL pgvector und das einheitliche KI-Gateway von Aurabase kombiniert.

12 Min. gelesen·Ebene fortgeschritten·Überarbeitet am 19.08.2026
Dieser englische Text wurde automatisch aus dem französischen Original generiert und wurde noch nicht überprüft.
Diese Seite wurde automatisch übersetzt. Maßgeblich ist die englische Version.
#
Architektur

RAG auf Aurabase in 3 Schritten

Mit RAG können Ihre KI-Modelle ohne Umschulung präzise auf Ihre eigenen privaten Daten reagieren:

  • Vektorisierung: Ihre Textdokumente werden mit aura.ai.embed()in digitale Vektoren umgewandelt.
  • Speicherung und Indizierung: Vektoren werden in PostgreSQL mit der nativen Erweiterung pgvectorgespeichert.
  • Augmentation & Antwort: Die Frage wird mit den gespeicherten Vektoren verglichen und die relevanten Snippets werden dem LLM über aura.ai.chat()bereitgestellt.
#
Umsetzung

Vollständiger RAG-Pipeline-Code

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

export async function indexDocument(content: string, metadata: Record<string, any>) {
  // Berechnung der Vektoreinbettung über das AI Gateway Aurabase
  const { vectors } = await aura.ai.embed({
    provider: 'openai',
    model: 'text-embedding-3-small',
    input: [content],
  })

  // Speichern in der PostgreSQL-Tabelle
  const { data, error } = await aura.from('documents').insert({
    content,
    metadata,
    embedding: vectors[0],
  })
  return { data, error }
}
#
Leistung

HNSW-Indizierung für Abfragen unter 10 ms

Für Datenbanken, die Hunderttausende von Vektoren enthalten, bietet die HNSW-Indizierung (Hierarchical Navigable Small World) eine deutlich bessere Suchleistung als ivfflat:

HNSW-Index (empfohlen)

Keine Zeit vor dem Training, Rückruf > 99 % und konstante Latenz auch bei kontinuierlichem Einfügen neuer Dokumente.

Kosinusabstand (<=>)

Verwenden Sie den Operator <=>, um den normalisierten Kosinusabstand zwischen den Einbettungsvektoren zu berechnen.

#
Optimierung

Semantischer Cache und Token-Einsparungen

Das AI Gateway von Aurabase integriert einen automatischen semantischen Cache: Wenn zwei Benutzer eine ähnliche Frage stellen (Kosinusähnlichkeit größer als 0,95), wird die Antwort in weniger als 2 ms aus dem In-Memory-Cache bereitgestellt, wodurch 100 % der LLM-Anrufkosten eingespart werden.

Zuletzt aktualisiert · 19.08.2026