RAG 및 벡터 검색 가이드
pgvector 및 Aurabase AI 게이트웨이를 사용하여 의미 체계 검색 및 RAG(검색 증강 생성) 파이프라인을 구축하세요.
이 페이지는 자동으로 번역되었습니다. 영어 버전은 권위가 있습니다.
Aurabase의 RAG 3단계#
RAG를 사용하면 AI 모델이 재교육 없이 개인 데이터에 정확하게 응답할 수 있습니다.
- 벡터화: 텍스트 문서는
aura.ai.embed()를 사용하여 디지털 벡터로 변환됩니다. - 저장 및 인덱싱: 벡터는 기본 확장
pgvector을 사용하여 PostgreSQL에 저장됩니다. - 증강 및 답변: 질문은 저장된 벡터와 비교되고 관련 조각은
aura.ai.chat()을 통해 LLM에 제공됩니다.
전체 RAG 파이프라인 코드#
typescript
import { aura } from '@/lib/aurabase'
export async function indexDocument(content: string, metadata: Record<string, any>) {
// AI 게이트웨이 Aurabase를 통한 벡터 임베딩 계산
const { vectors } = await aura.ai.embed({
provider: 'openai',
model: 'text-embedding-3-small',
input: [content],
})
// PostgreSQL 테이블에 저장
const { data, error } = await aura.from('documents').insert({
content,
metadata,
embedding: vectors[0],
})
return { data, error }
}
HNSW 10ms 미만 쿼리에 대한 인덱싱#
수십만 개의 벡터가 포함된 데이터베이스의 경우 HNSW(Hierarchical Navigable Small World) 인덱싱은 ivfflat보다 훨씬 더 나은 검색 성능을 제공합니다.
HNSW 인덱스(권장)
사전 훈련 시간이 없고 새 문서를 계속 삽입해도 99% 이상의 재현율과 일정한 대기 시간이 발생합니다.
코사인 거리(<=>)
<=> 연산자를 사용하여 임베딩 벡터 간의 정규화된 코사인 거리를 계산합니다.
시맨틱 캐시 및 토큰 절약#
Aurabase의 AI 게이트웨이는 자동 의미론적 캐시를 통합합니다. 두 명의 사용자가 비슷한 질문(0.95보다 큰 코사인 유사성)을 묻는 경우 2ms 이내에 메모리 내 캐시에서 답변이 제공되어 LLM 호출 비용을 100% 절약합니다.