Перейти к содержимому
Логотип Аурабаза
аурабаза

Руководство по поиску RAG и векторов

Создайте семантический поиск и конвейер расширенной генерации (RAG) с помощью pgvector и шлюза AI Aurabase.

Обучающее руководство12 мин читатьУровень передовойПересмотрено 19 авг. 2026 г.

Эта страница была переведена автоматически. Английская версия является авторитетной.

RAG на Aurabase в 3 шага#

RAG позволяет вашим моделям ИИ точно реагировать на ваши личные данные без переобучения:

  • Векторизация: Ваши текстовые документы преобразуются в цифровые векторы с помощью aura.ai.embed().
  • Хранение и индексирование: векторы хранятся в PostgreSQL с собственным расширением pgvector.
  • Дополнение и ответ: Вопрос сравнивается с сохраненными векторами, и соответствующие фрагменты передаются в LLM через aura.ai.chat().

Полный код конвейера RAG#

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

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

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

HNSW индексирование для запросов менее 10 мс#

Для баз данных, содержащих сотни тысяч векторов, индексация HNSW (Hierarchical Navigable Small World) обеспечивает значительно лучшую производительность поиска, чем ivfflat:

Индекс HNSW (рекомендуется)

Нулевое время предварительного обучения, полнота > 99 % и постоянная задержка даже при непрерывной вставке новых документов.

Косинусное расстояние (<=>)

Используйте оператор <=>, чтобы вычислить нормализованное косинусное расстояние между векторами внедрения.

Семантический кеш и экономия токенов#

AI Gateway Aurabase интегрирует автоматический семантический кеш : если два пользователя задают одинаковый вопрос (сходство косинуса больше 0,95), ответ подается из кэша в памяти менее чем за 2 мс, что экономит 100% стоимости вызова LLM.

Чтобы пойти дальше#