Przejdź do treści
Logo Aurabase
aurabaza

Przewodnik wyszukiwania RAG i wektorów

Zbuduj wyszukiwanie semantyczne i potok generacji rozszerzonej wyszukiwania (RAG) za pomocą pgvector i bramy AI Aurabase.

Samouczek12 min przeczytanePoziom zaawansowanyZmieniono 19 sie 2026

Ta strona została przetłumaczona automatycznie. Wersja angielska jest miarodajna.

RAG na Aurabase w 3 krokach#

RAG umożliwia modelom AI dokładne reagowanie na Twoje prywatne dane bez konieczności ponownego szkolenia:

  • Wektoryzacja: Twoje dokumenty tekstowe są przekształcane na cyfrowe wektory za pomocą aura.ai.embed().
  • Przechowywanie i indeksowanie: Wektory są przechowywane w PostgreSQL z natywnym rozszerzeniem pgvector.
  • Rozszerzanie i odpowiedź: Pytanie jest porównywane z przechowywanymi wektorami, a odpowiednie fragmenty są dostarczane do LLM poprzez aura.ai.chat().

Pełny kod rurociągu RAG#

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

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

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

Indeksowanie HNSW dla zapytań trwających krócej niż 10 ms#

W przypadku baz danych zawierających setki tysięcy wektorów indeksowanie HNSW (Hierarchical Navigable Small World) zapewnia znacznie lepszą wydajność wyszukiwania niż ivfflat:

HNSW Indeks (zalecany)

Zerowy czas wstępnego szkolenia, przywołanie > 99% i stałe opóźnienie nawet przy ciągłym wstawianiu nowych dokumentów.

Odległość cosinusa (<=>)

Użyj operatora <=>, aby obliczyć znormalizowaną odległość cosinus pomiędzy wektorami osadzania.

Semantyczna pamięć podręczna i oszczędności tokenów#

Aurabase AI Gateway integruje automatyczną semantyczną pamięć podręczną : jeśli dwóch użytkowników zada podobne pytanie (podobieństwo cosinus większe niż 0,95), odpowiedź jest dostarczana z pamięci podręcznej w pamięci w w czasie krótszym niż 2 ms, oszczędzając 100% kosztów połączeń LLM.

Aby pójść dalej#