Artykuły dla tych, którzy
wdrażają stack
Oryginalne materiały o React, Node.js, TypeScript i AI — z tej samej praktyki co nasze oprogramowanie operatorskie. Treść artykułów po angielsku.
Tag: Embeddings
Jakość RAG w czasie tworzenia indeksu: typy fragmentów, czyszczenie danych i etykiety do wyszukiwania
Jakość RAG w czasie indeksowania: tworzenie fragmentów tekstu, tabel i obrazów, usuwanie szumów generowanych przez parser oraz dodawanie etykiet do wyszukiwania napisanych przez LLM, które w przybliżeniu zredukowały o połowę nieudane wyszukiwania.
12 min czytaniaDlaczego istnieje RAG: pamięć parametryczna, gęste wyszukiwanie oraz artykuł z 2020 roku
Dlaczego istnieje RAG: ograniczenia pamięci parametrycznej, jak BM25 i embeddingi doprowadziły do gęstego wyszukiwania, oraz jakie są kompromisy pomiędzy RAG-Sequence a RAG-Token w artykule.
7 min czytaniaUsługa semantycznego wyszukiwania wykorzystująca bazę danych wektorową Pinecone za serwerem MCP.
Usługa semantycznego wyszukiwania wielokrotnego użytku: dzielenie plików PDF na fragmenty, przechowywanie wektorów w bazie danych Pinecone oraz umożliwianie dowolnemu agentowi wyszukiwania ich za pośrednictwem serwera FastMCP.
7 min czytaniaStwórz lokalny pipeline RAG w Pythonie bez kosztów API
Praktyczny przewodnik po tworzeniu systemu generacji wzbogaconej o wyniki wyszukiwania na procesorze CPU przy użyciu Sentence-Transformers, NumPy i Flan-T5, obejmujący dzielenie tekstu na fragmenty, wyszukiwanie oraz test A/B.
12 min czytaniaPraktyczna architektura RAG w Firebase i Vertex AI z wykorzystaniem Firestore Vectors
RAG w Firebase z embeddingami Vertex AI i wyszukiwaniem wektorowym Firestore: grupowanie zadań, filtry metadanych, izolacja użytkowników, ustrukturyzowane prompty, buforowanie i metryki.
10 min czytaniaDlaczego RAG nadal daje błędne odpowiedzi: hybrydowe wyszukiwanie, ponowne rankowanie i Recall@K
Czyste fragmenty tekstu nie gwarantują dobrych odpowiedzi. Zobacz, gdzie zawodzi wyszukiwanie wektorowe oraz w jaki sposób metody takie jak fuzja, ponowne rankowanie za pomocą cross-encodera, HyDE i miara Recall@K to naprawiają.
6 min czytaniaWarstwa po warstwie: projektowanie rzeczywistego pipeline’u do wyszukiwania RAG dla agentów AI
Zaprojektuj pipeline RAG wykorzystujący kontrakty SourceDocument i DocumentChunk, dzielenie na fragmenty, embeddingi oraz ChromaDB, wszystko to za pośrednictwem RetrievalService, który zapewnia stabilność agenta.
10 min czytaniaHybrydowe wyszukiwanie obrazów w skali przemysłowej: SigLIP, SPLADE, YOLOv8 i Gemini Captions
Projekt systemu wyszukiwania miliona obrazów, który łączy gęste i rzadkie embeddingi z wykrywaniem obiektów, rozpoznawaniem entytetów, bezpiecznym wyszukiwaniem oraz opisami napisanymi przez LLM.
6 min czytaniaJak RAG umożliwia modelowi LLM dostęp do twoich prywatnych danych: kawałki danych, wektory, prompty
Zrozum generowanie wzbogacone pobieraniem danych od etapu ich przyjmowania po wyszukiwanie, przy użyciu prostego przykładu w Node.js, trzech powszechnych sposobów awarii oraz tabeli porównującej RAG z dopasowywaniem modeli.
8 min czytania
O tych artykułach
Wycena w 24 h
Potrzebujesz tego stacka w warstwie operatorskiej? Wyślij brief — wycena w 24 h.