AI TOOLS RADAR
Tous les Skills / COMANDOSAI
comandosai/m-make-skills

rag-pgvector

Собирает «умную базу знаний» (RAG) на Supabase pgvector для micro-SaaS в модуле M·MAKE, Часть 2 «Движок».

Voir la source

Mode d’emploi

  1. Copiez la commande et examinez le paquet avant de l’installer dans votre environnement agent.
  2. Consultez le document original pour les outils, identifiants et environnements requis.
  3. Décrivez les entrées et le livrable souhaité ; comparez la sortie aux sources.
npx skills add https://github.com/comandosai/m-make-skills --skill rag-pgvector

Avant de commencer

  • L’installation n’inclut ni abonnement au modèle, ni quota API, ni accès aux fichiers.
  • Étoiles et installations reflètent l’activité, pas un test indépendant de qualité ou de sécurité.
Document Skill original

Rendu depuis le dépôt source en conservant titres, exemples, code, tableaux, liens et images.

Навык: База знаний на pgvector (RAG) — модуль M·MAKE, Часть 2

Как запустить: «сделай базу знаний» / «чтобы отвечал по моим документам».

Сначала различи два уровня (не путать):

  • Уровень 1 — простой справочник. Вопрос→ответ, материал→норматив, правило→действие. Это обычные таблицы Postgres, приложение читает нужную строку. AI и RAG НЕ нужны. Если у человека так — скажи прямо и не строй вектор.
  • Уровень 2 — RAG (этот навык). Нужен, когда AI должен отвечать по ТВОИМ документам, не выдумывая. Только тогда векторная база.

Модель RAG: документы → режем на куски (чанки) → превращаем в эмбеддинги (числовые отпечатки смысла) → храним в pgvector → на вопрос находим похожие куски → отдаём их модели как контекст → модель отвечает только из найденного (меньше галлюцинаций).

⚙️ Рецепт (по нему строит агент через Supabase MCP)

1. Нарезка (chunking) — самое важное

  • Режь по структуре: заголовки → абзацы → предложения. НЕ по N символов вслепую (иначе ответы плывут).
  • Размер куска ~400–500 токенов, перекрытие ~10–15% (~50 токенов), не разрывать предложения.
  • Каждый кусок начинать с названия раздела (сохраняем контекст).

2. Эмбеддинги — через OpenAI (ключ на сервере)

  • Дефолт `text-embedding-3-small` (1536). Нужно лучше по русскому — `text-embedding-3-large` (3072).
  • НЕ `gte-small` (она только английская).
  • ⚠️ Правило: размерность колонки `vector` = размерности модели. 3-small = 1536, 3-large = 3072. Сменил модель → пересоздай колонку/индекс и переэмбедди всю базу заново.

3. Хранение и поиск (Supabase)

  • Таблица, напр. documents: id, content text, metadata jsonb (источник, владелец), embedding vector(1536).
  • Индекс HNSW по embedding (когда документов много).
  • SQL-функция `match_documents(query_embedding, match_count, filter)` — косинусное сходство (<=>), возвращает топ-N.
  • Для точности можно гибрид (смысл + полнотекст), но начни с чистого векторного.

4. Два потока в Edge Functions

  • Индексация: загрузил документ → Edge Function режет на чанки → делает эмбеддинги (OpenAI, ключ из Deno.env.get) → пишет строки в documents.
  • Ответ: вопрос → эмбеддинг вопроса → match_documents топ-5 → собрать найденные куски в контекст → chat completion с инструкцией: «Отвечай ТОЛЬКО из этого контекста. Если ответа нет — так и скажи, не выдумывай» → показать ответ + источники.

🔒 Правила и грабли

  1. Ключ OpenAI — только на сервере (Edge Function secrets), в чат не проси. По ключам зови навык secrets-policy (Проводник за руку).
  2. Изоляция: если база знаний персональная — фильтруй по владельцу (RLS / metadata), иначе человек увидит чужие документы.
  3. Грабли: нарезка вслепую · забыть HNSW-индекс · рассинхрон размерности · не поставить фильтр доступа.
  4. Строишь через Supabase MCP (миграции, функция, Edge Functions). Аддитивно к живому — не ломай рабочие трубы.
  5. Код по месту генерит родной агент; навык задаёт рецепт, параметры и правила.

✅ Определение готовности

Загрузил документ → задал вопрос по нему → получил верный ответ со ссылкой на источник; задал вопрос НЕ по базе → модель честно говорит «не знаю».

Источники рецепта

Supabase Semantic Search (supabase.com/docs/guides/ai/semantic-search), Generate embeddings, Vector indexes; OpenAI embeddings (text-embedding-3-*); практики нарезки RAG 2025–2026 (Firecrawl, Weaviate).