Naar de inhoud springen
Aurabase-logo
aurabasis

RAG & Vector-zoekgids

Bouw semantisch zoeken en een Retrieval-Augmented Generation (RAG) pijplijn met pgvector en de Aurabase AI Gateway.

Tutorial12 min lezenNiveau gevorderdHerzien op 19 aug 2026

Deze pagina is automatisch vertaald. De Engelse versie is gezaghebbend.

RAG op Aurabase in 3 stappen#

Met RAG kunnen uw AI-modellen accuraat reageren op uw eigen privégegevens zonder dat u deze opnieuw hoeft te trainen:

  • Vectorisatie: Uw tekstdocumenten worden omgezet in digitale vectoren met behulp van aura.ai.embed().
  • Opslag en indexering: vectoren worden opgeslagen in PostgreSQL met de oorspronkelijke extensie pgvector.
  • Augmentatie en antwoord: De vraag wordt vergeleken met de opgeslagen vectoren en de relevante fragmenten worden via aura.ai.chat() aan de LLM verstrekt.

Volledige RAG-pijplijncode#

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

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

  // Opslaan in tabel PostgreSQL
  const { data, error } = await aura.from('documents').insert({
    content,
    metadata,
    embedding: vectors[0],
  })
  return { data, error }
}

HNSW indexering voor zoekopdrachten van minder dan 10 ms#

Voor databases die honderdduizenden vectoren bevatten, biedt HNSW (Hierarchical Navigable Small World) indexering aanzienlijk betere zoekprestaties dan ivfflat:

HNSW Index (aanbevolen)

Geen pre-trainingstijd, herinnering > 99% en constante latentie, zelfs bij het voortdurend invoegen van nieuwe documenten.

Cosinusafstand (<=>)

Gebruik de operator <=> om de genormaliseerde cosinusafstand tussen de inbeddingsvectoren te berekenen.

Semantische cache en tokenbesparingen#

De AI Gateway van Aurabase integreert een automatische semantische cache: als twee gebruikers een soortgelijke vraag stellen (cosinusgelijkenis groter dan 0,95), wordt het antwoord geserveerd vanuit de in-memory cache in in minder dan 2 ms, waardoor 100% van de LLM-gesprekskosten wordt bespaard.

Om verder te gaan#