Artikel für Leute, die
den Stack ausliefern
Originale Beiträge zu React, Node.js, TypeScript und AI — aus derselben Praxis wie unsere Operator-Software. Artikeltexte auf Englisch.
Tag: Embeddings
Qualität von RAG zur Indexzeit: Blöcktypen, Reinigung und Suchetiketten
Qualität von RAG zur Indexzeit: Erstellung von Text-, Tabelle- und Bildblöcken, Beseitigung von Parser-Störungen sowie Hinzufügen von von LLMs erstellten Suchetiketten, die die Anzahl der fehlgeschlagenen Abfragen etwa halbierten.
12 Min. LesezeitWarum RAG existiert: Parametrische Speicherung, dichte Suche und die Veröffentlichung von 2020
Warum RAG existiert: Die Grenzen der parametrischen Speicherung, wie BM25 und Embeddings zu einer dichten Suchfunktion führten, sowie welche Kompromisse RAG-Sequence und RAG-Token im Paper eingehen.
7 Min. LesezeitSemantischer Suchdienst mit einer Pinecone-Vektordatenbank hinter einem MCP-Server
Ein wiederverwendbarer semantischer Suchdienst: PDFs in Abschnitte aufteilen, Embeddings in einer Pinecone-Vektordatenbank speichern und es jedem Agenten ermöglichen, über einen FastMCP-Server darauf zuzugreifen.
7 Min. LesezeitErstellen Sie eine lokale RAG-Pipeline in Python ohne API-Kosten
Ein praktischer Tutorial, der Retrieval-augmented Generation auf CPU mit Sentence-Transformers, NumPy und Flan-T5 erstellt, einschließlich Chunking, Suche und einem A/B-Test.
12 Min. LesezeitEine praktische RAG-Architektur auf Firebase und Vertex AI mit Firestore Vectors
RAG auf Firebase mit Vertex AI-Embeddings und Firestore-Vektorabfrage: Batching, Metadatenfilter, Tenant-Isolation, grounded Prompts, Caching und Metriken.
10 Min. LesezeitWarum RAG immer noch falsche Antworten liefert: Hybrider Suchalgorithmus, Reranking und Recall@K
Saubere Datenblöcke garantieren keine guten Antworten. Sehen Sie, wo die Vektorabrufung versagt und wie Fusion, ein Cross-Encoder-Reranker, HyDE sowie die Recall@K-Messung dies beheben.
6 Min. LesezeitSchicht für Schicht: Entwurf eines echten RAG-Auswertungspipelines für KI-Agenten
Planen Sie einen RAG-Pipeline mit den Kontrakten SourceDocument und DocumentChunk, Chunking-, Embedding- sowie ChromaDB-Funktionen – alles hinter einem RetrievalService, der die Stabilität des Agents gewährleistet.
10 Min. LesezeitHybride Bildsuche in großem Maßstab: SigLIP, SPLADE, YOLOv8 und Gemini Captions
Entwurf eines Suchsystems für eine Million Bilder, das dichte und spärliche Embeddings mit Objekterkennung, Entitätserkennung, sicheren Suchfunktionen sowie von LLMs verfassten Beschreibungen kombiniert.
6 Min. LesezeitWie RAG Ihren privaten Daten an ein LLM zur Verfügung stellt: Blöcke, Vektoren, Prompts
Verstehen Sie die retrieval-augmented Generation von der Dateneingabe bis zur Abfrage, mit einem kleinen Node.js-Beispiel, drei gängigen Fehlermodi sowie einem Vergleich zwischen RAG und Feinabstimmung.
8 Min. Lesezeit
Über diese Artikel
Angebot in 24 Stunden
Denselben Stack in einer Operator-Schicht? Brief schicken — Angebot in 24 Stunden.