跳到内容
光环标志
光环基地

RAG 和矢量搜索指南

使用 pgvector 和 Aurabase AI 网关构建语义搜索和检索增强生成 (RAG) 管道。

教程12分钟 读取级别 先进的修改于 2026年8月19日

该页面已自动翻译。英文版具有权威性。

Aurabase 上的 RAG 只需 3 个步骤#

RAG 允许您的 AI 模型对您自己的私人数据做出准确响应,而无需重新训练:

  • 矢量化:使用 aura.ai.embed()将文本文档转换为数字向量。
  • 存储和索引:向量存储在 PostgreSQL 中,具有本机扩展名 pgvector。
  • 增强和答案:将问题与存储的向量进行比较,并通过 aura.ai.chat()向法学硕士提供相关片段。

完整的 RAG 管道代码#

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

export async function indexDocument(content: string, metadata: Record<string, any>) {
  // 通过AI网关Aurabase计算向量嵌入
  const { vectors } = await aura.ai.embed({
    provider: 'openai',
    model: 'text-embedding-3-small',
    input: [content],
  })

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

HNSW 用于 10 毫秒以下查询的索引#

对于包含数十万个向量的数据库,HNSW(分层可导航小世界)索引 提供比 ivfflat显着更好的搜索性能:

HNSW 索引(推荐)

零预训练时间,召回率 > 99%,即使连续插入新文档也能保持恒定的延迟。

余弦距离 (<=>)

使用 <=> 运算符计算嵌入向量之间的归一化余弦距离。

语义缓存和令牌节省#

Aurabase的 AI 网关集成了自动 语义缓存:如果两个用户提出相似的问题(余弦相似度大于 0.95),则从 中的内存缓存提供答案,耗时小于 2 毫秒,节省 100% 的 LLM 调用成本。

为了走得更远#