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: vector-database
Die Agent-Stack-Frage: Vektordatenspeicher, Hypergraphen und Codieraufgaben
Drei Fälle, in denen ein größeres Agent-Stack das eigentliche Engpassproblem übersehen hat: Dateibasierte Agenten-Speicherlösungen waren effektiver als Vektorlagern, Hypergraph-RAG-Systemen sowie herkömmlichen Arbeitsmethoden.
12 Min. LesezeitLlamaIndex Plus LangGraph: Ein sauberes Muster für RAG-Agenten
Wie man eine Wissensdatenbank mit LlamaIndex erstellt und sie als Tool einem LangGraph-Agenten zur Verfügung stellt, wobei Persistenz, Chroma sowie der reine Retrieval-Modus erläutert werden.
14 Min. LesezeitAuswahl einer RAG-Architektur: Naiv, Fortgeschritten, CRAG, GraphRAG, Agentic
Ein praktischer Vergleich von sechs RAG-Architekturen mit Vor- und Nachteilen sowie Anwendungsfällen, dazu ein vierstufiger Entscheidungsprozess und die Fälle, in denen RAG das falsche Werkzeug ist.
10 Min. LesezeitFortgeschrittene RAG-Technologien in Milvus: Hybridsuche, HyDE, Abfragen umschreiben und Reranking.
Erstellen Sie schrittweise einen Milvus RAG-Pipeline: dichte und BM25-Vektoren, RRF-Hybridsuche, Metadatenfilter, Abfragen umschreiben, HyDE, Dekomposition und Cross-Encoder-Reranking.
18 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. LesezeitLogisches Arbeiten an einem Dokumentbaum anstelle der Suche in Vektoren
PageIndex erstellt einen hierarchischen Index, der es einem LLM ermöglicht, ihn zu durchqueren, wobei das Aufteilen in Blöcke sowie die Verwendung von Embeddings übersprungen werden. Wie es funktioniert, das Ergebnis von FinanceBench sowie wann es eingesetzt werden sollte.
10 Min. LesezeitEin Feldverzeichnis von RAG: Von den Grundprinzipien bis zu Produktionsfehlern
Zwei Pipelines, drei Schritte und eine Liste der benannten Fehler: Wie Retrieval-augmented Generation funktioniert, wo sie versagt, und welche Lösungen jedes Problem beheben.
7 Min. LesezeitUmzug von RAG von Pinecone zu Postgres pgvector: Sechs Monate später
Sechs Monate nach dem Umzug von RAG von Pinecone zu Postgres pgvector: 9 Millionen Vektoren, tatsächliche Kosten, Wartezeiten und Trefferquoten, was sich verschlechtert hat, und wann pgvector die richtige Wahl ist.
7 Min. LesezeitBewertung der RAG-Auswertung jenseits der ANN-Recall-Methode – am Beispiel von Turbopuffer.
Ein schneller Vektorindex kann dennoch die richtige Antwort verfehlen. Erfahren Sie mehr über die Speicherkompromisse von Turbopuffer, die hybride Kombination aus BM25 und Vektorabfrage sowie darüber, wie eine „goldene Menge“ die tatsächliche Recall-Rate misst.
7 Min. Lesezeit
Über diese Artikel
Angebot in 24 Stunden
Denselben Stack in einer Operator-Schicht? Brief schicken — Angebot in 24 Stunden.