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-search
Ein von MongoDB unterstütztes virtuelles Dateisystem für LangChain Deep Agents
Ein virtuelles Dateisystem mit MongoDB-Unterstützung für LangChain Deep Agents: Bytes in Objektspeicher, Suche in Atlas mit hybriden grep-Methoden, Rangfusionsverfahren, Chunking und Synchronisierung.
8 Min. LesezeitVom Prototypen zur produktiven RAG-Lösung: Hybride Suche, Agenten und Bewertungsmethoden.
Eine Referenzarchitektur für RAG in der Produktion mit .NET: Chunking, hybride und grafbasierte Suchverfahren, Neubewertung, Abfragenplanung, typisierte Ausgaben und kontinuierliche Bewertung.
8 Min. LesezeitMetadatenfilterung für Databricks RAG unter Verwendung von ai_extract und ai_prep_search
Verbinden Sie ai_parse_document, ai_extract v2.1 und ai_prep_search miteinander, sodass jeder Datenblock typisierte Metadaten enthält, wodurch die Vektorsuche vor der Rangfolge nach Ähnlichkeit filtern kann.
7 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. 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. LesezeitEin lokaler RAG-Pipeline mit Qdrant, fastembed und Gemini in Python
Ein kleiner RAG-Pipeline in Python: Teilen Sie lokale Dokumente in Blöcke auf, embedden Sie sie offline mit fastembed, speichern Sie die Vektoren in Qdrant und beantworten Sie Fragen mit Gemini über die CLI.
6 Min. LesezeitZehn Fehler bei der stummen Informationsabrufung in produktiven RAG-Systemen und wie jeder dieser Fehler behoben wird.
Vom Chunk-Größe- und Überschneidungsprinzip bis hin zu hybriden Suchverfahren, RRF, Neubewertung, Auswahl von Embedding-Modellen und Bewertungsmethoden: zehn Fehler bei der Informationsabrufung, die zu falschen RAG-Antworten führen, und deren Lösungen.
16 Min. Lesezeit
Über diese Artikel
Angebot in 24 Stunden
Denselben Stack in einer Operator-Schicht? Brief schicken — Angebot in 24 Stunden.