Logotipo de Aurabase
aurabasedocumentos
documentos›Guías›trapo y pgvector

Guía de búsqueda de RAG y vectores

Cree una búsqueda semántica ultrarrápida y un sistema integral de generación aumentada de recuperación (RAG) que combine pgvector de PostgreSQL y el AI Gateway unificado de Aurabase.

12 min leer·Nivel avanzado·Revisado el 19 ago 2026
Este texto en inglés se generó automáticamente a partir del original en francés y aún no ha sido revisado.
Esta página fue traducida automáticamente. La versión en inglés es autorizada.
#
Arquitectura

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().
#
Implementación

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

Indexación HNSW para consultas de menos de 10 ms

Para bases de datos que contienen cientos de miles de vectores, la indexación HNSW (Hierarchical Navigable Small World) 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.

#
Optimización

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 menos de 2 ms, ahorrando el 100% del costo de la llamada LLM.

Última actualización · 19 ago 2026