~/ / Embeddingi i wyszukiwanie (RAG)

Embeddingi i wyszukiwanie (RAG)

Narzędzia do budowania RAG (retrieval-augmented generation) krok po kroku. Dziel dokumenty na chunki, porównuj embeddingi, zapisuj je i przeszukuj w PostgreSQL z pgvector, buduj prompt odpowiadający wyłącznie na podstawie źródeł i sprawdzaj, czy cytaty w odpowiedzi zgadzają się ze źródłami.

Narzędzia w kolejności użycia

  1. Dziel tekst na chunki z nakładaniem i buduj żądanie Ollama /api/embed dla RAGRAG Text ChunkerDziel tekst na chunki z nakładaniem i buduj żądanie Ollama /api/embed dla RAG
  2. Porównuj wektory embeddingów z Ollama /api/embed: podobieństwo cosinusowe, iloczyn skalarnyEmbedding Similarity CalculatorPorównuj wektory embeddingów z Ollama /api/embed: podobieństwo cosinusowe, iloczyn skalarny, odległość
  3. SQL dla pgvector: tabela, indeks HNSW/IVFFlat i zapytanie o sąsiadówpgvector SQL BuilderNapisz SQL dla pgvector: tabelę, indeks HNSW lub IVFFlat i zapytanie o najbliższych sąsiadów
  4. Wyniki Ollamy /api/embed i teksty na polecenia INSERT dla pgvectorEmbeddings to pgvector INSERTZamień wyniki Ollamy /api/embed i ich teksty na polecenia INSERT dla pgvector
  5. Żądanie /api/chat Ollamy z ponumerowanymi, cytowanymi źródłamiRAG Prompt BuilderZbuduj żądanie /api/chat Ollamy, które odpowiada tylko na podstawie ponumerowanych źródeł i je cytuje
  6. Sprawdź numery źródeł i cytaty w odpowiedzi RAG względem wysłanych źródełRAG Citation CheckerSprawdź, czy numery źródeł i cytaty w odpowiedzi RAG naprawdę zgadzają się ze źródłami

Artykuły na ten temat

Inne tematy