Artikel für Leute, die
den Stack ausliefern
Beiträge zu React, Node.js, TypeScript und AI. Ein übersetzter Text wird gezeigt, wenn er existiert. Sonst sehen Sie den englischen Text und einen Hinweis.
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.