Aurabase-logo
aurabasisdocumenten
documenten›Gidsen›RAG & pgvector

RAG & Vector-zoekgids

Bouw een razendsnel semantisch zoek- en uitgebreid Retrieval-Augmented Generation (RAG)-systeem dat PostgreSQL pgvector en de uniforme AI-gateway van Aurabase combineert.

12 min lezen·Niveau gevorderd·Herzien op 19 aug 2026
Deze Engelse tekst is automatisch gegenereerd op basis van het Franse origineel en is nog niet beoordeeld.
Deze pagina is automatisch vertaald. De Engelse versie is gezaghebbend.
#
Architectuur

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 native 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.
#
Implementatie

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

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.

#
Optimalisatie

Semantische cache- en tokenbesparingen

De AI Gateway van Aurabase integreert een automatische semantische cache: als twee gebruikers een vergelijkbare 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.

Laatst bijgewerkt · 19 aug 2026