#pgvector — Public Fediverse posts

Bedrock Tool Use から Aurora pgvector を直接叩く — Knowledge Bases を使わない RAG の組み立て
https://qiita.com/asahide/items/3e35c460e3b18606f1f3?utm_campaign=popular_items&utm_medium=feed&utm_source=popular_items

#qiita #Aurora #rag #bedrock #pgvector #Claude

Bedrock Tool Use から Aurora pgvector を直接叩く — Knowledge Bases を使わない RAG の組み立て
https://qiita.com/asahide/items/3e35c460e3b18606f1f3?utm_campaign=popular_items&utm_medium=feed&utm_source=popular_items

#qiita #Aurora #rag #bedrock #pgvector #Claude

🐳 True microservices architecture: UI (#React + #Vite, port 3737), API (#FastAPI, port 8181), MCP server (port 8051), Agents
(#PydanticAI, port 8052) — all running in #Docker
🗄️ Powered by #Supabase + #PostgreSQL + #PGVector for vector storage and semantic search

⚙️ Fully configurable ports & hostname via .env — deploy locally or on a remote server with zero friction

🛠️ Dev-friendly: hybrid mode

🐳 True microservices architecture: UI (#React + #Vite, port 3737), API (#FastAPI, port 8181), MCP server (port 8051), Agents
(#PydanticAI, port 8052) — all running in #Docker
🗄️ Powered by #Supabase + #PostgreSQL + #PGVector for vector storage and semantic search

⚙️ Fully configurable ports & hostname via .env — deploy locally or on a remote server with zero friction

🛠️ Dev-friendly: hybrid mode

🐳 True microservices architecture: UI (#React + #Vite, port 3737), API (#FastAPI, port 8181), MCP server (port 8051), Agents
(#PydanticAI, port 8052) — all running in #Docker
🗄️ Powered by #Supabase + #PostgreSQL + #PGVector for vector storage and semantic search

⚙️ Fully configurable ports & hostname via .env — deploy locally or on a remote server with zero friction

🛠️ Dev-friendly: hybrid mode

🐳 True microservices architecture: UI (#React + #Vite, port 3737), API (#FastAPI, port 8181), MCP server (port 8051), Agents
(#PydanticAI, port 8052) — all running in #Docker
🗄️ Powered by #Supabase + #PostgreSQL + #PGVector for vector storage and semantic search

⚙️ Fully configurable ports & hostname via .env — deploy locally or on a remote server with zero friction

🛠️ Dev-friendly: hybrid mode

🐳 True microservices architecture: UI (#React + #Vite, port 3737), API (#FastAPI, port 8181), MCP server (port 8051), Agents
(#PydanticAI, port 8052) — all running in #Docker
🗄️ Powered by #Supabase + #PostgreSQL + #PGVector for vector storage and semantic search

⚙️ Fully configurable ports & hostname via .env — deploy locally or on a remote server with zero friction

🛠️ Dev-friendly: hybrid mode

Векторный поиск в PostgreSQL: pgvector, pgvectorscale или VectorChord?

Привет Хабр! Меня зовут Владимир сегодня я постараюсь исправить ошибку из моей первой статьи про векторный поиск . Основная претензия к статье (два из трех комментариев 😂) была в том, что тема сисек векторного поиска не раскрыта. В этом материале постараюсь кратко рассказать, что же такое векторный поиск, зачем он нужен, варианты реализации векторного поиска в PostgreSQL и провести сравнительные тесты времени отклика при различных объёмах данных.

https://habr.com/ru/articles/1014516/

#postgresql #pgvector #векторизация

Векторный поиск в PostgreSQL: pgvector, pgvectorscale или VectorChord?

Привет Хабр! Меня зовут Владимир сегодня я постараюсь исправить ошибку из моей первой статьи про векторный поиск . Основная претензия к статье (два из трех комментариев 😂) была в том, что тема сисек векторного поиска не раскрыта. В этом материале постараюсь кратко рассказать, что же такое векторный поиск, зачем он нужен, варианты реализации векторного поиска в PostgreSQL и провести сравнительные тесты времени отклика при различных объёмах данных.

https://habr.com/ru/articles/1014516/

#postgresql #pgvector #векторизация

Векторный поиск в PostgreSQL: pgvector, pgvectorscale или VectorChord?

Привет Хабр! Меня зовут Владимир сегодня я постараюсь исправить ошибку из моей первой статьи про векторный поиск . Основная претензия к статье (два из трех комментариев 😂) была в том, что тема сисек векторного поиска не раскрыта. В этом материале постараюсь кратко рассказать, что же такое векторный поиск, зачем он нужен, варианты реализации векторного поиска в PostgreSQL и провести сравнительные тесты времени отклика при различных объёмах данных.

https://habr.com/ru/articles/1014516/

#postgresql #pgvector #векторизация

Векторный поиск в PostgreSQL: pgvector, pgvectorscale или VectorChord?

Привет Хабр! Меня зовут Владимир сегодня я постараюсь исправить ошибку из моей первой статьи про векторный поиск . Основная претензия к статье (два из трех комментариев 😂) была в том, что тема сисек векторного поиска не раскрыта. В этом материале постараюсь кратко рассказать, что же такое векторный поиск, зачем он нужен, варианты реализации векторного поиска в PostgreSQL и провести сравнительные тесты времени отклика при различных объёмах данных.

https://habr.com/ru/articles/1014516/

#postgresql #pgvector #векторизация

AI без Python: как исправить документацию и внедрить RAG в JVM-стеке

Даже для опытных пользователей системы (продукт-оунеры, техлиды, CTO, руководители уровня B-1, сотрудники кост-менеджмента) это не всегда просто, тем более для новых. Значительная часть времени уходит не на работу в системе, а на поиск информации в разрозненных источниках: Excel-таблицы, письма, локальные заметки или уточнение деталей у коллег. Отсюда и появилась идея AI-ассистента как удобного способа получать ответы в одном месте, обычным человеческим языком. Python почти стандарт для AI-проектов, но мы, как и большинство продуктовых команд в банке, используем JVM-стек: Kotlin, Java, Spring Boot. Поэтому осознанно выбрали развивать AI-ассистента в уже знакомом стеке. Это не просто техническое предпочтение. Мы хотели сохранить поддержку и масштабируемость внутри команды и не привлекать новые компетенции, которых у нас пока нет. Наш опыт может быть полезен командам, которые работают в JVM-среде и хотят внедрить AI без перехода на другой стек.

https://habr.com/ru/companies/raiffeisenbank/articles/1012666/

#ai #kotlin #spring_ai #rag #backend #LLM #JVM #pgVector #langchain4j #чанкинг

AI без Python: как исправить документацию и внедрить RAG в JVM-стеке

Даже для опытных пользователей системы (продукт-оунеры, техлиды, CTO, руководители уровня B-1, сотрудники кост-менеджмента) это не всегда просто, тем более для новых. Значительная часть времени уходит не на работу в системе, а на поиск информации в разрозненных источниках: Excel-таблицы, письма, локальные заметки или уточнение деталей у коллег. Отсюда и появилась идея AI-ассистента как удобного способа получать ответы в одном месте, обычным человеческим языком. Python почти стандарт для AI-проектов, но мы, как и большинство продуктовых команд в банке, используем JVM-стек: Kotlin, Java, Spring Boot. Поэтому осознанно выбрали развивать AI-ассистента в уже знакомом стеке. Это не просто техническое предпочтение. Мы хотели сохранить поддержку и масштабируемость внутри команды и не привлекать новые компетенции, которых у нас пока нет. Наш опыт может быть полезен командам, которые работают в JVM-среде и хотят внедрить AI без перехода на другой стек.

https://habr.com/ru/companies/raiffeisenbank/articles/1012666/

#ai #kotlin #spring_ai #rag #backend #LLM #JVM #pgVector #langchain4j #чанкинг

AI без Python: как исправить документацию и внедрить RAG в JVM-стеке

Даже для опытных пользователей системы (продукт-оунеры, техлиды, CTO, руководители уровня B-1, сотрудники кост-менеджмента) это не всегда просто, тем более для новых. Значительная часть времени уходит не на работу в системе, а на поиск информации в разрозненных источниках: Excel-таблицы, письма, локальные заметки или уточнение деталей у коллег. Отсюда и появилась идея AI-ассистента как удобного способа получать ответы в одном месте, обычным человеческим языком. Python почти стандарт для AI-проектов, но мы, как и большинство продуктовых команд в банке, используем JVM-стек: Kotlin, Java, Spring Boot. Поэтому осознанно выбрали развивать AI-ассистента в уже знакомом стеке. Это не просто техническое предпочтение. Мы хотели сохранить поддержку и масштабируемость внутри команды и не привлекать новые компетенции, которых у нас пока нет. Наш опыт может быть полезен командам, которые работают в JVM-среде и хотят внедрить AI без перехода на другой стек.

https://habr.com/ru/companies/raiffeisenbank/articles/1012666/

#ai #kotlin #spring_ai #rag #backend #LLM #JVM #pgVector #langchain4j #чанкинг

AI без Python: как исправить документацию и внедрить RAG в JVM-стеке

Даже для опытных пользователей системы (продукт-оунеры, техлиды, CTO, руководители уровня B-1, сотрудники кост-менеджмента) это не всегда просто, тем более для новых. Значительная часть времени уходит не на работу в системе, а на поиск информации в разрозненных источниках: Excel-таблицы, письма, локальные заметки или уточнение деталей у коллег. Отсюда и появилась идея AI-ассистента как удобного способа получать ответы в одном месте, обычным человеческим языком. Python почти стандарт для AI-проектов, но мы, как и большинство продуктовых команд в банке, используем JVM-стек: Kotlin, Java, Spring Boot. Поэтому осознанно выбрали развивать AI-ассистента в уже знакомом стеке. Это не просто техническое предпочтение. Мы хотели сохранить поддержку и масштабируемость внутри команды и не привлекать новые компетенции, которых у нас пока нет. Наш опыт может быть полезен командам, которые работают в JVM-среде и хотят внедрить AI без перехода на другой стек.

https://habr.com/ru/companies/raiffeisenbank/articles/1012666/

#ai #kotlin #spring_ai #rag #backend #LLM #JVM #pgVector #langchain4j #чанкинг

If you are building an application that requires search, I recommend using Elasticsearch early on. In addition to the usual full-text search, Elasticsearch allows you to perform a hybrid search: combine the results of text and vector search.
Of course, for small amounts of data, you can use PostgreSQL tsvector with the pgvector extension, but in the long term, Elasticsearch will provide good performance.

#Elasticsearch #Search #tsvector #pgvector #KNN #Embedding #SentenceTransformers #AI

Векторный поиск в PostgreSQL: PGVector, SQLAlchemy и FastAPI

Реализуем сервис семантического поиска на базе PostgreSQL с расширением PGVector. В статье: настройка БД через Docker, миграции Alembic, асинхронный слой на SQLAlchemy и API на FastAPI. Иллюстрация на обложке - нейрослоп для привлечения внимания

https://habr.com/ru/articles/1006364/

#PGVector #SQLAlchemy #FastAPI

Векторный поиск в PostgreSQL: PGVector, SQLAlchemy и FastAPI

Реализуем сервис семантического поиска на базе PostgreSQL с расширением PGVector. В статье: настройка БД через Docker, миграции Alembic, асинхронный слой на SQLAlchemy и API на FastAPI. Иллюстрация на обложке - нейрослоп для привлечения внимания

https://habr.com/ru/articles/1006364/

#PGVector #SQLAlchemy #FastAPI

Векторный поиск в PostgreSQL: PGVector, SQLAlchemy и FastAPI

Реализуем сервис семантического поиска на базе PostgreSQL с расширением PGVector. В статье: настройка БД через Docker, миграции Alembic, асинхронный слой на SQLAlchemy и API на FastAPI. Иллюстрация на обложке - нейрослоп для привлечения внимания

https://habr.com/ru/articles/1006364/

#PGVector #SQLAlchemy #FastAPI

Векторный поиск в PostgreSQL: PGVector, SQLAlchemy и FastAPI

Реализуем сервис семантического поиска на базе PostgreSQL с расширением PGVector. В статье: настройка БД через Docker, миграции Alembic, асинхронный слой на SQLAlchemy и API на FastAPI. Иллюстрация на обложке - нейрослоп для привлечения внимания

https://habr.com/ru/articles/1006364/

#PGVector #SQLAlchemy #FastAPI

----------------

🛠️ Tool
===================

Opening: PentAGI is an autonomous penetration testing framework that combines LLM-driven agents with a curated suite of professional security tools. The project positions itself as a self-hosted, microservices-capable platform that orchestrates reconnaissance, exploitation, reporting and long-term memory for red-team workflows.

Key Features:
• Agent orchestration: Autonomous AI agents that plan and execute multi-step pentest tasks and delegate to specialized sub-agents.
• Toolchain integration: Built-in support for more than 20 standard pentesting utilities, including nmap, metasploit and sqlmap for scanning and exploitation workflows.
• Knowledge graph: Graphiti integration backed by Neo4j to map semantic relationships between assets, findings and techniques.
• Persistent vector storage: Use of PostgreSQL with pgvector extension for embedding-based memory and retrieval.
• Monitoring & reporting: Integration points for Grafana/Prometheus and automated generation of vulnerability reports with exploitation details.

Technical Implementation (conceptual):
• The architecture is microservices-oriented, with task-specific services for crawling, tool execution orchestration, memory management and API layers (REST and GraphQL).
• Sandbox isolation is enforced at container level via Docker so that tool execution occurs in separated runtime environments.
• LLM connectivity is abstracted to support multiple providers (OpenAI, Anthropic, Ollama, AWS Bedrock, Google AI), allowing the agent logic to leverage various models and endpoints for planning and natural-language reasoning.
• Knowledge persistence combines a graph database (Neo4j) for relationships and a vector database approach via pgvector for embedding similarity searches and long-term memory reuse.

Use Cases:
• Autonomous reconnaissance and attack surface enumeration for internal red teams.
• Reproducible test runs that store command outputs and reasoning for audit and reporting.
• Research and proof-of-concept development where multi-tool orchestration and LLM planning accelerate workflows.

Limitations and Considerations:
• Autonomous offensive operations raise ethical and legal constraints; operator oversight and rules-of-engagement remain necessary.
• False positives and hallucinated steps from LLM-driven planning can occur; results should be validated by human operators.
• Resource and operational costs scale with model usage and container orchestration; observability integrations (Grafana/Prometheus) are provided but operational tuning is required.

References: PentAGI lists integrations with nmap, metasploit, sqlmap, Neo4j, pgvector, and support for multiple LLM providers.

🔹 tool #AI #pentesting #Neo4j #pgvector

🔗 Source: https://github.com/vxcontrol/pentagi

[Перевод] Обратная сторона массивов в PostgreSQL

Начать работу с массивами в PostgreSQL проще простого: объявили колонку как integer[] , вставили значения — и готово. Или вообще собрали массив на лету. Официальная документация дает неплохую базу. Но за этим простым интерфейсом скрывается куда более сложная механика, чем многие привыкли думать. Массивы в PostgreSQL — это не просто «списки, которые можно засунуть в поле таблицы». У них своя стратегия работы с памятью, собственная логика индексации и целый ворох граничных случаев. В статье подробно разберем аспекты работы с массивами, которые могут неожиданно создать проблемы в продакшене.

https://habr.com/ru/companies/magnus-tech/articles/990146/

#массивы_в_PostgreSQL #базы_данных #PostgreSQL #работа_с_массивами_PostgreSQL #intarray #pgvector #документная_модель_данных

[Перевод] Обратная сторона массивов в PostgreSQL

Начать работу с массивами в PostgreSQL проще простого: объявили колонку как integer[] , вставили значения — и готово. Или вообще собрали массив на лету. Официальная документация дает неплохую базу. Но за этим простым интерфейсом скрывается куда более сложная механика, чем многие привыкли думать. Массивы в PostgreSQL — это не просто «списки, которые можно засунуть в поле таблицы». У них своя стратегия работы с памятью, собственная логика индексации и целый ворох граничных случаев. В статье подробно разберем аспекты работы с массивами, которые могут неожиданно создать проблемы в продакшене.

https://habr.com/ru/companies/magnus-tech/articles/990146/

#массивы_в_PostgreSQL #базы_данных #PostgreSQL #работа_с_массивами_PostgreSQL #intarray #pgvector #документная_модель_данных

[Перевод] Обратная сторона массивов в PostgreSQL

Начать работу с массивами в PostgreSQL проще простого: объявили колонку как integer[] , вставили значения — и готово. Или вообще собрали массив на лету. Официальная документация дает неплохую базу. Но за этим простым интерфейсом скрывается куда более сложная механика, чем многие привыкли думать. Массивы в PostgreSQL — это не просто «списки, которые можно засунуть в поле таблицы». У них своя стратегия работы с памятью, собственная логика индексации и целый ворох граничных случаев. В статье подробно разберем аспекты работы с массивами, которые могут неожиданно создать проблемы в продакшене.

https://habr.com/ru/companies/magnus-tech/articles/990146/

#массивы_в_PostgreSQL #базы_данных #PostgreSQL #работа_с_массивами_PostgreSQL #intarray #pgvector #документная_модель_данных

[Перевод] Обратная сторона массивов в PostgreSQL

Начать работу с массивами в PostgreSQL проще простого: объявили колонку как integer[] , вставили значения — и готово. Или вообще собрали массив на лету. Официальная документация дает неплохую базу. Но за этим простым интерфейсом скрывается куда более сложная механика, чем многие привыкли думать. Массивы в PostgreSQL — это не просто «списки, которые можно засунуть в поле таблицы». У них своя стратегия работы с памятью, собственная логика индексации и целый ворох граничных случаев. В статье подробно разберем аспекты работы с массивами, которые могут неожиданно создать проблемы в продакшене.

https://habr.com/ru/companies/magnus-tech/articles/990146/

#массивы_в_PostgreSQL #базы_данных #PostgreSQL #работа_с_массивами_PostgreSQL #intarray #pgvector #документная_модель_данных

----------------

🛠️ Tool
===================

Opening:
IronClaw is a local-first AI assistant implemented in Rust that prioritizes user data control, transparency, and modular extensibility. The project presents a privacy-oriented architecture that keeps all information encrypted and local while enabling dynamic expansion via WASM tools and protocol integrations.

Key Features:
• WASM sandboxing: untrusted tool code executes inside WebAssembly sandboxes with capability-based permissioning to restrict actions and limit side effects.
• Credential protection: secrets are injected at the host boundary and monitored with leak-detection heuristics to prevent tool-level exfiltration.
• Prompt injection defenses: multi-layered controls including pattern detection, content sanitization, and policy enforcement to reduce prompt-based exploitation.
• Hybrid persistent memory: a combined full-text and vector search stack using PostgreSQL plus pgvector and Reciprocal Rank Fusion to surface relevant context.
• Multi-channel I/O and orchestration: REPL, webhook endpoints, WASM channels (Telegram, Slack), a web gateway with SSE/WebSocket streaming, and a Docker-based sandbox worker pattern for isolation.

Technical Implementation:
• The main runtime is written in Rust, with data persisted to PostgreSQL and vector embeddings stored in the pgvector extension. Search relevance uses reciprocal rank fusion to merge signals from full-text and embedding queries.
• Tool execution uses WebAssembly modules with a capability model that gates network access, filesystem operations, and host APIs. Endpoint allowlisting restricts outbound HTTP to explicit hosts/paths.
• Dynamic tool creation is supported: descriptors provided by users can be compiled into WASM tools at runtime and registered via the plugin architecture. The MCP (Model Context Protocol) integration allows connecting to external model context servers for expanded capabilities while retaining local control over secrets.

Use Cases:
• Personal and professional AI assistant that must keep sensitive data local.
• Automation and background routines: cron-like schedules, webhook handlers, heartbeat monitoring, and parallel isolated jobs.
• Research and toolchain extensibility where new processing modules are added as WASM plugins.

Limitations and Considerations:
• Dependence on a local PostgreSQL instance with pgvector for vector capabilities.
• WASM sandboxing reduces risk but requires careful capability definitions to avoid host-level exposure.
• Dynamic tool compilation and MCP connectivity add complexity that presumes operational maturity and review processes.

References: project README and architecture notes (IronClaw).

🔹 tool #WASM #Rust #pgvector

🔗 Source: https://github.com/nearai/ironclaw

If you're located near Illinois, Shaun Thomas will be presenting on "The New Postgres AI Ecosystem" at the Illinois Prairie PostgreSQL User Group this February 18th at 5:30 PM CST. 🐘

Come by the DRW and say hi: https://www.meetup.com/illinois-prairie-postgresql-user-group/events/312929674/

#postgresql #postgres #ai #vectordatabase #pgvector #vectorization #aidev #illinois #chicago

If you're located near Illinois, Shaun Thomas will be presenting on "The New Postgres AI Ecosystem" at the Illinois Prairie PostgreSQL User Group this February 18th at 5:30 PM CST. 🐘

Come by the DRW and say hi: https://www.meetup.com/illinois-prairie-postgresql-user-group/events/312929674/

#postgresql #postgres #ai #vectordatabase #pgvector #vectorization #aidev #illinois #chicago

If you're located near Illinois, Shaun Thomas will be presenting on "The New Postgres AI Ecosystem" at the Illinois Prairie PostgreSQL User Group this February 18th at 5:30 PM CST. 🐘

Come by the DRW and say hi: https://www.meetup.com/illinois-prairie-postgresql-user-group/events/312929674/

#postgresql #postgres #ai #vectordatabase #pgvector #vectorization #aidev #illinois #chicago

If you're located near Illinois, Shaun Thomas will be presenting on "The New Postgres AI Ecosystem" at the Illinois Prairie PostgreSQL User Group this February 18th at 5:30 PM CST. 🐘

Come by the DRW and say hi: https://www.meetup.com/illinois-prairie-postgresql-user-group/events/312929674/

#postgresql #postgres #ai #vectordatabase #pgvector #vectorization #aidev #illinois #chicago

With pgEdge, take #AgenticAI apps from single-node deployments to globally distributed infrastructure.

Our AI toolkit is 100% open source and comes with:

1. MCP Server for AI assistant integration (the only fully featured MCP server for PostgreSQL that's fully supported by a PostgreSQL company!)

2. RAG pipeline with a Document Loader, Vectorizer, and RAG Server

3. Essential AI extensions (including #pgvector)

Learn more: https://www.pgedge.com/ai-toolkit

#ai #llm #appdev #aidev #programming #devops

With pgEdge, take #AgenticAI apps from single-node deployments to globally distributed infrastructure.

Our AI toolkit is 100% open source and comes with:

1. MCP Server for AI assistant integration (the only fully featured MCP server for PostgreSQL that's fully supported by a PostgreSQL company!)

2. RAG pipeline with a Document Loader, Vectorizer, and RAG Server

3. Essential AI extensions (including #pgvector)

Learn more: https://www.pgedge.com/ai-toolkit

#ai #llm #appdev #aidev #programming #devops

With pgEdge, take #AgenticAI apps from single-node deployments to globally distributed infrastructure.

Our AI toolkit is 100% open source and comes with:

1. MCP Server for AI assistant integration (the only fully featured MCP server for PostgreSQL that's fully supported by a PostgreSQL company!)

2. RAG pipeline with a Document Loader, Vectorizer, and RAG Server

3. Essential AI extensions (including #pgvector)

Learn more: https://www.pgedge.com/ai-toolkit

#ai #llm #appdev #aidev #programming #devops

#throwback AI meets PostgreSQL 🤖 Ayse Bilge Ince shows how pgvector, aidb, and LLMs are turning Postgres into an intelligent data platform. Learn practical ways to use AI in your architecture and explore what’s next for AI-powered Postgres.

▶️ Watch now! https://lnkd.in/dvHX7T4t

#PostgreSQL #PPDD #AI #pgvector

#throwback AI meets PostgreSQL 🤖 Ayse Bilge Ince shows how pgvector, aidb, and LLMs are turning Postgres into an intelligent data platform. Learn practical ways to use AI in your architecture and explore what’s next for AI-powered Postgres.

▶️ Watch now! https://lnkd.in/dvHX7T4t

#PostgreSQL #PPDD #AI #pgvector

#throwback AI meets PostgreSQL 🤖 Ayse Bilge Ince shows how pgvector, aidb, and LLMs are turning Postgres into an intelligent data platform. Learn practical ways to use AI in your architecture and explore what’s next for AI-powered Postgres.

▶️ Watch now! https://lnkd.in/dvHX7T4t

#PostgreSQL #PPDD #AI #pgvector

#throwback AI meets PostgreSQL 🤖 Ayse Bilge Ince shows how pgvector, aidb, and LLMs are turning Postgres into an intelligent data platform. Learn practical ways to use AI in your architecture and explore what’s next for AI-powered Postgres.

▶️ Watch now! https://lnkd.in/dvHX7T4t

#PostgreSQL #PPDD #AI #pgvector

#throwback AI meets PostgreSQL 🤖 Ayse Bilge Ince shows how pgvector, aidb, and LLMs are turning Postgres into an intelligent data platform. Learn practical ways to use AI in your architecture and explore what’s next for AI-powered Postgres.

▶️ Watch now! https://lnkd.in/dvHX7T4t

#PostgreSQL #PPDD #AI #pgvector

🚀🚀 BREAKING NEWS: A new #Postgres extension claims to boost #performance and scale with #vector #magic 🧙‍♂️✨. Apparently, #DiskANN works alongside #pgvector, because the only thing better than one overhyped feature is two! OSS licensed, because who wouldn't want to spend hours wrestling with open source? 🤦‍♂️
https://github.com/timescale/pgvectorscale #HackerNews #ngated

🚀🚀 BREAKING NEWS: A new #Postgres extension claims to boost #performance and scale with #vector #magic 🧙‍♂️✨. Apparently, #DiskANN works alongside #pgvector, because the only thing better than one overhyped feature is two! OSS licensed, because who wouldn't want to spend hours wrestling with open source? 🤦‍♂️
https://github.com/timescale/pgvectorscale #HackerNews #ngated

🚀🚀 BREAKING NEWS: A new #Postgres extension claims to boost #performance and scale with #vector #magic 🧙‍♂️✨. Apparently, #DiskANN works alongside #pgvector, because the only thing better than one overhyped feature is two! OSS licensed, because who wouldn't want to spend hours wrestling with open source? 🤦‍♂️
https://github.com/timescale/pgvectorscale #HackerNews #ngated

🚀🚀 BREAKING NEWS: A new #Postgres extension claims to boost #performance and scale with #vector #magic 🧙‍♂️✨. Apparently, #DiskANN works alongside #pgvector, because the only thing better than one overhyped feature is two! OSS licensed, because who wouldn't want to spend hours wrestling with open source? 🤦‍♂️
https://github.com/timescale/pgvectorscale #HackerNews #ngated

Postgres extension complements pgvector for performance and scale

https://github.com/timescale/pgvectorscale

#HackerNews #Postgres #pgvector #extension #performance #scale #database #technology

Postgres extension complements pgvector for performance and scale

https://github.com/timescale/pgvectorscale

#HackerNews #Postgres #pgvector #extension #performance #scale #database #technology

✅ Summary: Postgres Maximalism

We use Postgres for Search, Auth, Vectors, and JSON.
Keep your stack simple and your architecture lean.

Next: 2.4 Task Queues.
Don't let heavy AI tasks block your database connections. 🚀

#BibiGPT #Postgres #pgvector #Database #FullStack

Trying to set up semantic search for your #PostgreSQL database? Learn how to do things like...

👉 Chunk documents into semantically meaningful pieces
👉 Embed vectors for each chunk enabling similarity search
👉 Automatically synchronize when documents change
👉 Have all running inside PostgreSQL with no external services

...all in "Building a #RAG Server with PostgreSQL - Part 2: Chunking and Embeddings": 🔗 https://www.pgedge.com/blog/building-a-rag-server-with-postgresql-part-2-chunking-and-embeddings

#programming #devops #postgres #vector #vectordatabase #pgvector

Built this visual to capture a simple idea:
Old databases learned new tricks.
pgvector turns Postgres into an AI-native system.
If you’re building search, RAG, or recommendations —
this belongs in your toolbox.
#BuildInPublic #pgvector #PostgreSQL #AIBuilder #DevLife

In the final post of the "Building a RAG Server with PostgreSQL" series, learn how to deploy the open-source pgEdge RAG Server for a simple HTTP API you can use to ask questions about your content, and get answers based on your own documentation.

Check it out 👉 https://www.pgedge.com/blog/building-a-rag-server-with-postgresql-part-3-deploying-your-rag-api

Experiment with the RAG Server on #GitHub: https://github.com/pgEdge/pgedge-rag-server

Want to see more of this kind of content? Let us know 💬

#programming #ai #llm #vectordatabase #pgvector #vector #postgresql #postgres #data

Tạo chatbot RAG chính xác cao và chi phí thấp với n8n + PGVector + Pinecone, sử dụng cache ngữ nghĩa, mở rộng ngữ cảnh & giảm chi phí token lên 95%. Mã nguồn & kiến trúc linh hoạt hỗ trợ tài liệu pháp lý/lớp học. #AI #Chatbot #Vie #TechInnovation #RAG #LowCostTech #HighAccuracy #PGVector #Pinecone

https://www.reddit.com/r/LocalLLaMA/comments/1pk9jwg/project_built_a_highaccuracy_lowcost_rag_chatbot/

🔍 #OpenScouts: Create #AI scouts that continuously search the web and notify you when they find what you're looking for #opensource #NextJS #React #TypeScript #Supabase #OpenAI #Firecrawl

⚡ Built with cutting-edge tech stack: #NextJS 16 with App Router & Turbopack, #React 19, #TypeScript, #TailwindCSS v4, #Supabase for database, auth & edge functions, #pgvector for vector embeddings and semantic search, #OpenAI API for AI agent & embeddings, and Resend for email notifications

🧵 👇