Статьи для тех, кто
выводит стек в прод
Материалы о React, Node.js, TypeScript и AI. Переведённый текст показывается, если он есть. Если нет — вы видите английский текст и пометку об этом.
Тег: vector-database
Вопросы к стеку агентов: векторные хранилища, гиперграфы и задачи кодирования
Три случая, когда более сложные стеки агентов не смогли выявить настоящий узкий место: память агентов на основе файлов оказалась эффективнее векторных хранилищ, гиперграфных систем RAG, а также традиционных методов работы с высокоуровневыми задачами.
12 мин чтенияLlamaIndex Plus LangGraph: чистая модель для агентов RAG
Как создать базу знаний с помощью LlamaIndex и сделать её доступной агенту LangGraph в качестве инструмента, с объяснением функций сохранения данных, использования Chroma и режима работы только с поисковиком.
14 мин чтенияВыбор архитектуры RAG: простая, продвинутая, CRAG, GraphRAG, агентская.
Практическое сравнение шести архитектур RAG с их преимуществами, недостатками и сферами применения, а также четырехэтапный алгоритм принятия решений и случаи, когда RAG является неподходящим инструментом.
10 мин чтенияРасширенные возможности RAG в Milvus: гибридный поиск, HyDE, переписывание запросов и переранжирование.
Постройте пайплайн Milvus RAG пошагово: плотные и BM25-векторы, гибридный поиск RRF, фильтры метаданных, переписывание запросов, HyDE, декомпозиция и переранжирование с помощью кросс-кодера.
18 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 чтенияРасчеты над деревом документов вместо поиска векторов
PageIndex создаёт иерархический индекс, позволяющий большой языковой модели навигировать по нему, избегая процессов разбиения на части и использования эмбеддингов. Как это работает, результаты тестирования на FinanceBench и когда его следует использовать.
10 мин чтенияПолевая карта RAG: от первых принципов до сбоев в производстве
Два канала обработки, три этапа и список именованных сбоев: как работает генерация с усилением на основе поиска, где возникают сбои, и какие решения устраняют каждую проблему.
7 мин чтенияПеренос RAG с Pinecone в Postgres pgvector: через шесть месяцев
Шесть месяцев после переноса RAG с Pinecone в Postgres pgvector: 9 миллионов векторов, реальные затраты, показатели задержки и точности восстановления, что ухудшилось, и когда pgvector является подходящим решением.
7 мин чтенияОценка процесса извлечения информации в рамках RAG за пределами показателя восстановления данных в ANN, на примере Turbopuffer.
Быстрый векторный поиск всё равно может не найти ответ. Узнайте о компромиссах в хранении в Turbopuffer, гибридном подходе BM25 с векторным поиском и о том, как «золотой набор» оценивает реальную степень восстановления данных.
7 мин чтения
О этих статьях
Оценка за 24 часа
Нужен такой же стек в операторском слое? Пришлите бриф — оценка за 24 часа.