Статті для тих, хто
виводить стек у прод
Матеріали про React, Node.js, TypeScript і AI. Перекладений текст показується, якщо він є. Якщо ні — ви бачите англійський текст і примітку про це.
Тег: vector-database
Ставлення до Agent Stack: сховища векторів, гіперграфи та завдання кодування
Три випадки, коли складніші стеки агентів не виявили справжнього вузького місця: пам’ять агентів, заснована на файлах, виявилася кращою за векторні сховища, гіперграфи RAG та традиційні методи роботи.
12 хв читанняLlamaIndex Plus LangGraph: Чистий патерн для агентів RAG
Як створити базу знань за допомогою LlamaIndex та зробити її доступною для агента LangGraph як інструменту, з поясненням функцій зберігання даних, використання Chroma та режиму лише зворотного пошуку.
14 хв читанняВибір архітектури RAG: проста, розширена, CRAG, GraphRAG, агентська.
Практичне порівняння шести архітектур RAG із перевагами, недоліками та сценаріями використання, а також чотирикроковий алгоритм прийняття рішень та випадки, коли RAG є непідходящим інструментом.
10 хв читанняРозширені можливості RAG у Milvus: гібридний пошук, алгоритм HyDE, переписування запитів та їх повторне ранжування.
Поступово створіть потік обробки даних Milvus RAG: вектори типу dense та BM25, гібридний пошук RRF, фільтри метаданих, переписування запитів, алгоритм HyDE, декомпозиція та повторне ранжування за допомогою крос-кодера.
18 хв читанняСервіс семантичного пошуку з векторною базою даних Pinecone, розташованою за сервером MCP.
Сервіс семантичного пошуку з можливістю багаторазового використання: розділення PDF-файлів на частини, зберігання ембеддингів у векторній базі даних Pinecone та надання можливості будь-якому агенту здійснювати запити через сервер FastMCP.
7 хв читанняМіркування над деревом документів замість пошуку векторів
PageIndex створює ієрархічний індекс, який дозволяє ШІ навігувати в ньому, оминаючи процеси розділення на частини та використання ембеддингів. Як це працює, результати в тесті FinanceBench та коли його використовувати.
10 хв читанняКарта полів RAG: від основних принципів до помилок у продакшені.
Два канали передачі даних, три етапи та список іменованих помилок: як працює генерація з підсиленням за допомогою пошуку, де вона зламується та які рішення усувають кожну проблему.
7 хв читанняПеренесення RAG з Pinecone до Postgres pgvector: через шість місяців
Перенесення RAG з Pinecone до Postgres pgvector через шість місяців: 9 мільйонів векторів, реальні витрати, показники затримки та точності, що погіршилося, та коли pgvector є правильним вибором.
7 хв читанняОцінка процесу пошуку в RAG за межами показників точності ANN, на прикладі Turbopuffer
Швидкий векторний індекс все одно може пропустити правильну відповідь. Дізнайтеся про компроміси у зберіганні в Turbopuffer, гібридний підхід BM25 та векторного пошуку, а також про те, як «золотий набір» вимірює справжню точність повернення даних.
7 хв читання
Про ці статті
Оцінка за 24 години
Потрібен такий стек в операторському шарі? Надішліть бриф — оцінка за 24 години.