Aurabase Logosu
aura tabanıdokümanlar
dokümanlar›Kılavuzlar›RAG ve pgvektör

RAG ve Vektör Arama Kılavuzu

PostgreSQL pgvector ile Aurabase'in birleşik AI Ağ Geçidini birleştirerek ışık hızında bir semantik arama ve kapsamlı Alma-Artırılmış Nesil (RAG) sistemi oluşturun.

12 dk. oku·Seviye ileri düzey·19 Ağu 2026 tarihinde revize edildi
Bu İngilizce metin, Fransızca orijinalinden otomatik olarak oluşturulmuştur ve henüz incelenmemiştir.
Bu sayfa otomatik olarak çevrildi. İngilizce versiyonu yetkilidir.
#
Mimarlık

3 adımda Aurabase'de 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'de pgvectoryerel uzantısıyla depolanır.
  • Büyütme ve Cevap: Soru, depolanan vektörlerle karşılaştırılır ve ilgili parçacıklar aura.ai.chat()aracılığıyla LLM'ye sunulur.
#
Uygulama

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 Gateway Aurabase aracılığıyla vektör yerleştirmenin hesaplanması
  const { vectors } = await aura.ai.embed({
    provider: 'openai',
    model: 'text-embedding-3-small',
    input: [content],
  })

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

10 ms'nin altındaki sorgular için HNSW indeksleme

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

HNSW Endeksi (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.

#
Optimizasyon

Anlamsal Önbellek ve Token Tasarrufları

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