AI TOOLS RADAR
모든 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».

소스 보기

사용 방법

  1. 설치 명령을 복사하고 자신의 에이전트 환경에 설치하기 전에 소스 패키지를 확인하세요.
  2. 필요한 도구, 인증 정보, 지원 환경은 원본 문서에서 확인하세요.
  3. 입력과 원하는 산출물을 설명하고 출처와 결과를 대조하세요.
npx skills add https://github.com/comandosai/m-make-skills --skill rag-pgvector

시작 전 확인

  • 설치에는 모델 구독, API 한도, 파일 접근 권한이 포함되지 않습니다.
  • 별점 수와 설치 수는 활동 지표이며 독립적인 품질·보안 검증이 아닙니다.
원본 Skill 문서

원본 저장소의 제목, 예시, 코드, 표, 링크, 이미지를 유지해 표시합니다.

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).