İçeriğe geç
Aurabase Logosu
aura tabanı

RAG ve Vektör Arama Kılavuzu

pgvector ve Aurabase AI Ağ Geçidi ile anlamsal arama ve Almayla Artırılmış Nesil (RAG) ardışık düzeni oluşturun.

Eğitim12 dk. okuSeviye ileri düzey19 Ağu 2026 tarihinde revize edildi

Bu sayfa otomatik olarak çevrildi. İngilizce versiyonu yetkilidir.

3 adımda Aurabase üzerinde RAG#

RAG, yapay zeka modellerinizin yeniden eğitim gerektirmeden kendi özel verilerinize doğru şekilde yanıt vermesini sağlar:

  • Vektörleştirme: Metinsel belgeleriniz aura.ai.embed() kullanılarak dijital vektörlere dönüştürülür.
  • Depolama ve Dizin Oluşturma: Vektörler, PostgreSQL yerel uzantısıyla pgvector içinde depolanır.
  • Büyütme ve Cevap: Soru, depolanan vektörlerle karşılaştırılır ve ilgili parçacıklar aura.ai.chat() aracılığıyla LLM'ye sunulur.

Tam RAG boru hattı kodu#

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

export async function indexDocument(content: string, metadata: Record<string, any>) {
  // AI Ağ Geçidi aracılığıyla vektör yerleştirmenin hesaplanması Aurabase
  const { vectors } = await aura.ai.embed({
    provider: 'openai',
    model: 'text-embedding-3-small',
    input: [content],
  })

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

HNSW 10 ms'nin altındaki sorgular için indeksleme#

Yüz binlerce vektör içeren veritabanları için, HNSW (Hiyerarşik Gezinilebilir Küçük Dünya) indeksleme, ivfflat'den önemli ölçüde daha iyi arama performansı sağlar:

HNSW Dizin (Önerilen)

Sıfır ön eğitim süresi, > %99 geri çağırma ve sürekli yeni belge eklenmesinde bile sabit gecikme süresi.

Kosinüs Mesafesi (<=>)

Gömme vektörleri arasındaki normalleştirilmiş kosinüs mesafesini hesaplamak için <=> operatörünü kullanın.

Anlamsal önbellek ve belirteç tasarrufları#

Aurabase AI Ağ Geçidi otomatik bir anlamsal önbellek entegre eder: iki kullanıcı benzer bir soru sorarsa (kosinüs benzerliği 0,95'ten büyük), yanıt içinde 2 ms'den daha kısa sürede bellek içi önbellekten sunulur ve LLM çağrı maliyetinden %100 tasarruf edilir.

Daha ileri gitmek için#