Logo Aurabase
aurabasedocumenti
documenti›Guide›RAG e pgvettore

Guida alla ricerca di RAG e vettori

Costruisci una ricerca semantica velocissima e un sistema RAG (Retrieval-Augmented Generation) completo che combina PostgreSQL pgctor e il gateway AI unificato di Aurabase.

12 min letto·Livello avanzato·Revisionato il 19 ago 2026
Questo testo inglese è stato generato automaticamente dall'originale francese e non è stato ancora rivisto.
Questa pagina è stata tradotta automaticamente. Fa fede la versione inglese.
#
Architettura

RAG su Aurabase in 3 passaggi

RAG consente ai tuoi modelli di intelligenza artificiale di rispondere in modo accurato sui tuoi dati privati senza riqualificazione:

  • Vettorializzazione: i tuoi documenti testuali vengono trasformati in vettori digitali utilizzando aura.ai.embed().
  • Archiviazione e indicizzazione: i vettori vengono archiviati in PostgreSQL con l'estensione nativa pgvector.
  • Aumento e risposta: la domanda viene confrontata con i vettori memorizzati e i frammenti pertinenti vengono forniti a LLM tramite aura.ai.chat().
#
Attuazione

Codice completo della pipeline RAG

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

export async function indexDocument(content: string, metadata: Record<string, any>) {
  // Calcolo dell'incorporamento dei vettori tramite AI Gateway Aurabase
  const { vectors } = await aura.ai.embed({
    provider: 'openai',
    model: 'text-embedding-3-small',
    input: [content],
  })

  // Salvataggio nella tabella PostgreSQL
  const { data, error } = await aura.from('documents').insert({
    content,
    metadata,
    embedding: vectors[0],
  })
  return { data, error }
}
#
Prestazioni

Indicizzazione HNSW per query inferiori a 10 ms

Per i database contenenti centinaia di migliaia di vettori, l'indicizzazione HNSW (Hierarchical Navigable Small World) fornisce prestazioni di ricerca significativamente migliori rispetto a ivfflat:

Indice HNSW (consigliato)

Zero tempi di pre-training, richiamo > 99% e latenza costante anche con continui inserimenti di nuovi documenti.

Distanza coseno (<=>)

Utilizzare l'operatore <=> per calcolare la distanza coseno normalizzata tra i vettori di incorporamento.

#
Ottimizzazione

Cache semantica e risparmio di token

AI Gateway di Aurabase integra una cache semantica automatica: se due utenti fanno una domanda simile (somiglianza coseno maggiore di 0,95), la risposta viene fornita dalla cache in memoria in meno di 2 ms, risparmiando il 100% del costo della chiamata LLM.

Ultimo aggiornamento · 19 ago 2026