Статьи для тех, кто
выводит стек в прод
Оригинальные материалы о React, Node.js, TypeScript и AI — из той же практики, что и наше операторское ПО. Текст статей на английском.
Тег: Embeddings
Качество RAG во время индексации: типы фрагментов, очистка данных и метки для поиска
Качество RAG во время индексации: создание фрагментов текста, таблиц и изображений, устранение шума от парсера и добавление меток поиска, написанных с помощью LLM, что примерно вдвое сократило количество неудачных поисков.
12 мин чтенияПочему существует RAG: параметрическая память, плотный поиск и статья 2020 года.
Почему существует RAG: ограничения параметрической памяти, как BM25 и эмбеддинги привели к плотному поиску, и какие компромиссы существуют между RAG-Sequence и RAG-Token в данной статье.
7 мин чтенияСлужба семантического поиска с векторной базой данных Pinecone, расположенной за сервером MCP.
Служба семантического поиска с возможностью многократного использования: разбивка PDF-файлов на части, хранение эмбеддингов в векторной базе данных Pinecone и предоставление возможности любому агенту выполнять запросы к ним через сервер FastMCP.
7 мин чтенияСоздайте локальную систему RAG на Python без затрат на API
Практический урок по созданию системы генерации с использованием дополнительных данных для поиска на процессоре с помощью библиотек sentence-transformers, numpy и Flan-T5, включающий разбиение текста на фрагменты, поиск и тестирование вариантов A/B.
12 мин чтенияПрактическая архитектура RAG на Firebase и Vertex AI с векторами Firestore.
RAG в Firebase с встраиванием данных из Vertex AI и векторным поиском в Firestore: группировка запросов, фильтры метаданных, изоляция тенантов, основанные на фактах промпты, кэширование и метрики.
10 мин чтенияПочему RAG всё ещё даёт неверные ответы: гибридный поиск, переранжирование и Recall@K
Чистые фрагменты не гарантируют качественных ответов. Рассмотрим, где терпит неудачу поиск векторов, и как методы фьюжн, кросс-кодер для переранжирования, HyDE и метрика Recall@K это исправляют.
6 мин чтенияПошагово: разработка настоящей системы поиска данных RAG для ИИ-агентов
Спланируйте пайплайн RAG с использованием контрактов SourceDocument и DocumentChunk, функций разбиения на части, генерации эмбеддингов и ChromaDB; всё это должно работать через RetrievalService, обеспечивающий стабильность агента.
10 мин чтенияГибридный поиск изображений в масштабе: SigLIP, SPLADE, YOLOv8 и Gemini Captions
Разработка системы поиска миллиона изображений, которая сочетает плотные и разреженные эмбеддинги с обнаружением объектов, распознаванием сущностей, фильтрацией контента и описаниями, написанными с помощью больших языковых моделей.
6 мин чтенияКак RAG позволяет большой языковой модели использовать ваши личные данные: фрагменты, векторы, промпты
Понимание процесса генерации с использованием усиления через поиск от загрузки данных до выполнения запроса, с простым примером на Node.js, тремя распространёнными способами сбоев и таблицей сравнения RAG и тонкой настройки.
8 мин чтения
О этих статьях
Оценка за 24 часа
Нужен такой же стек в операторском слое? Пришлите бриф — оценка за 24 часа.