Logo Aurabase
aurabazadokumenty
dokumenty›Przewodniki›RAG i pgwektor

Przewodnik wyszukiwania RAG i wektorów

Zbuduj błyskawiczne wyszukiwanie semantyczne i kompleksowy system generowania rozszerzonego wyszukiwania (RAG), łączący PostgreSQL pgvector i ujednoliconą bramę AI Aurabase.

12 min przeczytane·Poziom zaawansowany·Zmieniono 19 sie 2026
Ten tekst w języku angielskim został wygenerowany automatycznie na podstawie francuskiego oryginału i nie był jeszcze recenzowany.
Ta strona została przetłumaczona automatycznie. Wersja angielska jest miarodajna.
#
Architektura

RAG na Aurabase w 3 krokach

RAG umożliwia modelom AI dokładne reagowanie na Twoje prywatne dane bez konieczności ponownego szkolenia:

  • Wektoryzacja: Twoje dokumenty tekstowe są przekształcane na cyfrowe wektory za pomocą aura.ai.embed().
  • Przechowywanie i indeksowanie: Wektory są przechowywane w PostgreSQL z natywnym rozszerzeniem pgvector.
  • Rozszerzanie i odpowiedź: Pytanie jest porównywane z przechowywanymi wektorami, a odpowiednie fragmenty są dostarczane do LLM poprzez aura.ai.chat().
#
Realizacja

Pełny kod rurociągu RAG

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

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

  // Zapisywanie w tabeli PostgreSQL
  const { data, error } = await aura.from('documents').insert({
    content,
    metadata,
    embedding: vectors[0],
  })
  return { data, error }
}
#
Wydajność

Indeksowanie HNSW dla zapytań krótszych niż 10 ms

W przypadku baz danych zawierających setki tysięcy wektorów indeksowanie HNSW (Hierarchical Navigable Small World) zapewnia znacznie lepszą wydajność wyszukiwania niż ivfflat:

Indeks HNSW (zalecany)

Zerowy czas wstępnego szkolenia, przywołanie > 99% i stałe opóźnienie nawet przy ciągłym wstawianiu nowych dokumentów.

Odległość cosinusa (<=>)

Użyj operatora <=>, aby obliczyć znormalizowaną odległość cosinus pomiędzy wektorami osadzania.

#
Optymalizacja

Semantyczna pamięć podręczna i oszczędności tokenów

AI Gateway firmy Aurabase integruje automatyczną semantyczną pamięć podręczną : jeśli dwóch użytkowników zada podobne pytanie (podobieństwo cosinusowe większe niż 0,95), odpowiedź jest dostarczana z pamięci podręcznej w pamięci w w czasie krótszym niż 2 ms, oszczędzając 100% kosztów połączeń LLM.

Ostatnia aktualizacja · 19 sie 2026