Saltar al contenido
Logotipo de Aurabase
aurabase

Guía de búsqueda de RAG y vectores

Cree una búsqueda semántica y un canal de generación aumentada de recuperación (RAG) con pgvector y Aurabase AI Gateway.

Tutorial12 min leerNivel avanzadoRevisado el 19 ago 2026

Esta página fue traducida automáticamente. La versión en inglés es autorizada.

RAG en Aurabase en 3 pasos#

RAG permite que sus modelos de IA respondan con precisión a sus propios datos privados sin necesidad de volver a capacitarlos:

  • Vectorización: Tus documentos textuales se transforman en vectores digitales usando aura.ai.embed().
  • Almacenamiento e indexación: Los vectores se almacenan en PostgreSQL con la extensión nativa pgvector.
  • Aumento y respuesta: la pregunta se compara con los vectores almacenados y los fragmentos relevantes se proporcionan al LLM a través de aura.ai.chat().

Código completo de tubería RAG#

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

export async function indexDocument(content: string, metadata: Record<string, any>) {
  // Cálculo de la incrustación de vectores a través de AI Gateway Aurabase
  const { vectors } = await aura.ai.embed({
    provider: 'openai',
    model: 'text-embedding-3-small',
    input: [content],
  })

  // Guardar en la tabla PostgreSQL
  const { data, error } = await aura.from('documents').insert({
    content,
    metadata,
    embedding: vectors[0],
  })
  return { data, error }
}

HNSW indexación para consultas de menos de 10 ms#

Para bases de datos que contienen cientos de miles de vectores, la indexación HNSW (pequeño mundo navegable jerárquico) proporciona un rendimiento de búsqueda significativamente mejor que ivfflat:

Índice HNSW (recomendado)

Tiempo de preentrenamiento cero, recuperación > 99 % y latencia constante incluso con inserciones continuas de nuevos documentos.

Distancia del coseno (<=>)

Utilice el operador <=> para calcular la distancia del coseno normalizado entre los vectores de incrustación.

Caché semántica y ahorro de tokens#

AI Gateway de Aurabase integra un caché semántico automático: si dos usuarios hacen una pregunta similar (similitud de coseno mayor que 0,95), la respuesta se entrega desde el caché en memoria en en menos de 2 ms, ahorrando el 100% del costo de la llamada LLM.

para ir más lejos#