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-search
Віртуальна файлова система на основі MongoDB для LangChain Deep Agents
Віртуальна файлова система на основі MongoDB для LangChain Deep Agents: байти у об’єктному зберіганні, пошук у Atlas із гібридним grep, об’єднанням рангів, чанкуванням та синхронізацією.
8 хв читанняВід прототипу до продакшен-рішення RAG: гібридний пошук, агенти та оцінка.
Архітектура для реалізації RAG у продакшені на .NET: розділення на частини, гібридний та графовий пошук, переранжування, планування запитів, типовий вихід та постійна оцінка.
8 хв читанняФільтрація метаданих у Databricks RAG за допомогою ai_extract та ai_prep_search
Об’єднати функції ai_parse_document, ai_extract v2.1 та ai_prep_search так, щоб кожен фрагмент містив типовані метадані, що дозволить системі Vector Search фільтрувати дані перед їх ранжуванням за схожістю.
7 хв читанняПрактична архітектура RAG на Firebase та Vertex AI з використанням векторів Firestore.
RAG у Firebase з вбудованими моделями Vertex AI та векторним пошуком у Firestore: групування даних, фільтри метаданих, ізоляція користувачів, чіткі запити, кешування та метрики.
10 хв читанняЧому RAG все ще дає неправильні відповіді: гібридний пошук, переранжування та Recall@K
Чисті фрагменти не гарантують якісних відповідей. Дізнайтеся, де зазнає невдачі відтворення векторів, та як фузія, крос-енкодер для переранжування, HyDE та метод оцінки Recall@K це виправляють.
6 хв читанняГібридний пошук зображень у великих масштабах: SigLIP, SPLADE, YOLOv8 та Gemini Captions
Розробка системи пошуку мільйона зображень, яка поєднує щільні та розріджені ембеддинги з виявленням об’єктів, розпізнаванням ентитетів, функцією безпечного пошуку та описами, створеними за допомогою LLM.
6 хв читанняЯк RAG дозволяє ШІ отримувати ваші приватні дані: фрагменти, вектори, запити
Зрозумійте процес генерації з підсиленням за допомогою пошуку від отримання даних до формування запиту, з невеликим прикладом на Node.js, трьома поширеними способами збою та таблицею порівняння RAG та фінтюнінгу.
8 хв читанняЛокальний пайплайн RAG із Qdrant, fastembed та Gemini на Python
Невеликий пайплайн RAG на Python: ділимо локальні документи на частини, інкорпоруємо їх офлайн за допомогою fastembed, зберігаємо вектори в Qdrant та відповідаємо на запитання за допомогою Gemini через CLI.
6 хв читанняДесять помилок у пошуку в продакшн-системах RAG та способи виправлення кожної з них.
Від розміру частин та перекриття до гібридних пошуків, RRF, переранкінгу, вибору ембеддингів та оцінки CI: десять помилок у пошуку, що призводять до неправильних відповідей RAG, та способи їх виправлення.
16 хв читання
Про ці статті
Оцінка за 24 години
Потрібен такий стек в операторському шарі? Надішліть бриф — оцінка за 24 години.