ऑराबेस लोगो
aurabaseडॉक्स
डॉक्स›गाइड›आरएजी और पीजीवेक्टर

आरएजी और वेक्टर खोज गाइड

PostgreSQL pgvector और Aurabase के एकीकृत AI गेटवे को मिलाकर एक बिजली की तेजी से सिमेंटिक खोज और व्यापक रिट्रीवल-ऑगमेंटेड जेनरेशन (RAG) सिस्टम बनाएं।

12 मि॰ पढ़ें·स्तर विकसित·19 अग॰ 2026 पर संशोधित
यह अंग्रेजी पाठ फ़्रेंच मूल से स्वचालित रूप से उत्पन्न हुआ था और अभी तक इसकी समीक्षा नहीं की गई है।
यह पृष्ठ स्वचालित रूप से अनुवादित किया गया था. अंग्रेजी संस्करण प्रामाणिक है.
#
वास्तुकला

ऑराबेस पर आरएजी 3 चरणों में

RAG आपके AI मॉडल को बिना दोबारा प्रशिक्षण के आपके निजी डेटा पर सटीक प्रतिक्रिया देने की अनुमति देता है:

  • वेक्टरीकरण: आपके पाठ्य दस्तावेज़ aura.ai.embed()का उपयोग करके डिजिटल वेक्टर में परिवर्तित हो जाते हैं।
  • भंडारण और अनुक्रमण: वेक्टर को मूल एक्सटेंशन pgvectorके साथ PostgreSQL में संग्रहीत किया जाता है।
  • विस्तार और उत्तर: प्रश्न की तुलना संग्रहीत वैक्टर से की जाती है, और प्रासंगिक स्निपेट एलएलएम को aura.ai.chat()के माध्यम से प्रदान किए जाते हैं।
#
कार्यान्वयन

पूर्ण आरएजी पाइपलाइन कोड

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

export async function indexDocument(content: string, metadata: Record<string, any>) {
  // एआई गेटवे ऑराबेस के माध्यम से वेक्टर एम्बेडिंग की गणना
  const { vectors } = await aura.ai.embed({
    provider: 'openai',
    model: 'text-embedding-3-small',
    input: [content],
  })

  // PostgreSQL तालिका में सहेजा जा रहा है
  const { data, error } = await aura.from('documents').insert({
    content,
    metadata,
    embedding: vectors[0],
  })
  return { data, error }
}
#
प्रदर्शन

उप-10ms प्रश्नों के लिए HNSW अनुक्रमण

सैकड़ों हजारों वैक्टर वाले डेटाबेस के लिए, HNSW (पदानुक्रमित नेविगेशन योग्य छोटी दुनिया) अनुक्रमण ivfflatकी तुलना में काफी बेहतर खोज प्रदर्शन प्रदान करता है:

एचएनएसडब्ल्यू सूचकांक (अनुशंसित)

शून्य पूर्व-प्रशिक्षण समय, स्मरण > 99% और नए दस्तावेज़ों के निरंतर सम्मिलन के साथ भी निरंतर विलंबता।

कोज्या दूरी (<=>)

एम्बेडिंग वैक्टर के बीच सामान्यीकृत कोसाइन दूरी की गणना करने के लिए <=> ऑपरेटर का उपयोग करें।

#
अनुकूलन

सिमेंटिक कैश और टोकन बचत

ऑराबेस का एआई गेटवे एक स्वचालित सिमेंटिक कैश को एकीकृत करता है: यदि दो उपयोगकर्ता एक समान प्रश्न पूछते हैं (कोसाइन समानता 0.95 से अधिक), तो उत्तर 2 एमएस से कम समय में इन-मेमोरी कैश से दिया जाता है, जिससे एलएलएम कॉल लागत में 100% की बचत होती है।