#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

Гид по Cloudberry ч.2: advanced-возможности, дорожная карта и планы развития

В прошлый раз, в первой части нашего гида по Apache Cloudberry™ , мы поговорили об истории проекта, его архитектуре, ядре СУБД и функциях платформы. Но помимо ядра СУБД, мы также хотим использовать data‑lakehouse‑запросы. В Data Lakehouse есть некоторые проблемы: мы не можем получать данные оттуда напрямую. В Cloudberry разработана технология, с помощью которой можно это делать, так что поговорим об этом подробнее. А также рассмотрим ещё несколько интересных возможностей и расскажем о планах проекта.

https://habr.com/ru/companies/yandex_cloud_and_infra/articles/957662/

#greenplum #cloudberry #mpp #postgresql #postgres #vector_database #pgvector #векторная_база_данных

Great productivity tonight !

Upgraded Immich from 1.132.1 to 1.135.3
Migrated its database from pgvector.rs to VectorChord
Upgraded to VectorChord 0.4.3 from 0.3.0

That was actually relatively easy once I started taking my time and reading the migration documentation

Now everything is healthy and up to date, let's see how those performance improvements translate to realworld applications

#immich #selfhosted #homelab #kubernetes #vectorchord #pgvector #psql #cnpg #rtfm

Что ищет он в краю далёком? Как найти смысл жизни с PostgreSQL

Эта статья родилась из пары лекций, которые я прочитал студентам в рамках курса, посвященного вопросам машинного обучения. Почему именно PostgreSQL? Почему векторы? За последние два года тема языковых моделей стала невероятно популярной, и вместе с этим появилось множество инструментов, доступных даже начинающему инженеру, стремящемуся познакомиться с миром текстового анализа. Доступность этих технологий открывает безграничные возможности для их применения в самых разных областях: от систем управления знаниями до «копилотов», помогающих более тщательно анализировать анамнез пациентов, или информационных киосков, позволяющих собрать идеальную корзину товаров для пикника. Вряд ли данная работа может похвастаться полнотой или глубиной, однако, я надеюсь, что она предоставит те самые “хорошие” точки входа, которые позволят, погружаясь в детали, открыть для себя множество новых интересных и полезных тем для исследований и инженерных проектов. Откроем скрытые смыслы

https://habr.com/ru/articles/855712/

#postgresql #postgres #pgvector #vectorization #fulltextsearch #fulltext_search #hnsw #python #java #Knowledge_Management_Systems

pgvector 0.6.0 has been released 🎉

It now supports parallel index builds for HNSW 🗂️

Building an HNSW index is now up to 30x faster for unlogged tables ⚡

For full release notes, please review the pgvector changelog 👇
https://github.com/pgvector/pgvector/blob/master/CHANGELOG.md#060-2024-01-29

#pgvector #vectors #embeddings #postgresql #darabase #release #hnsw #indexes

🐣🎩 Oh, what a shocker! #pgvector isn't the silver bullet, and running it in #production is like trying to teach a penguin to fly. Turns out, you'd be better off reading a #query #planner #manual than relying on this "cutting-edge" technology! 🚀💥
https://alex-jacobs.com/posts/the-case-against-pgvector/ #challenges #technology #pitfalls #cutting #edge #HackerNews #ngated

Построение надёжных систем из ненадёжных агентов

Большие языковые модели можно применять для разных практических целей. Одно из самых интересных направлений — это автономные AI-агенты. Если сгенерировать большое количество агентов по заданному запросу и заставить их конкурировать друг с другом, то теоретически можно получить оптимальный результат по данной проблеме. Это можно использовать и в информационной безопасности, и в других сферах программной разработки. Кроме того, можно создавать агентов, то есть софт, который самостоятельно эволюционирует и улучшает себя на базе обратной связи от пользователей.

https://habr.com/ru/companies/globalsign/articles/822169/

#агенты #overkiLLM #ollama #LLM #DAG #DAGWorks #Burr #AIагенты #надёжность #Retrieval_Augmented_Generation #RAG #Instructor #prompt_engineering #openllmetry #openinference #OpenTelemetry #pgvector #RAGatouille

✅ 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

Spring AI: retrieval augmented generation

Spring AI , который только недавно получил первую стабильную версию, уже предоставляет довольно много возможностей для работы с RAG ( retrieval augmented generation ). Благодаря этому подходу нейросеть перед тем, как дать ответ на запрос пользователя, выполнит поиск подходящей информации в векторном хранилище. Причём каждый документ хранится не в виде текста, а в виде массива чисел (т.н. «векторов»). Процесс преобразования различных документов в такой векторный формат выполняется опять же с помощью LLM и называется embedding («встраивание»). Хорошая новость заключается в том, что всё это можно легко сделать с помощью Spring AI.

https://habr.com/ru/articles/920992/

#spring_ai #rag #kotlin #java #openai #pgvector #postgres #spring

Семантический поиск по статьям Хабра в PostgreSQL + индексация текстов LLM в Ollama

Покажу вам практическую реализацию семантического поиска на основе векторных представлений - эмбеддингов из текста. Здесь я создам систему, которая анализирует статьи с Хабра, извлекает из них темы и ключевые слова с помощью локально работающих больших языковых моделей LLM, и на основе этих данных создает векторные представления для эффективного поиска по смыслу, а не по запросу на вхождение определенного текста.

https://habr.com/ru/articles/915348/

#семантический_поиск #postgresql #pgvector #llmприложения #ollama #spring_ai #java #обработка_естественного_языка #поисковые_системы

Векторный поиск: как выбрать систему и не пожалеть

От поиска по архивам документов и медиафайлам до рекомендательных систем и AI приложений — всюду работают эмбеддинги и векторный поиск. Но когда дело доходит до выбора конкретного инструмента, глаза разбегаются: Qdrant, Milvus, Weaviate, Redis, Elasticsearch, Pgvector… Если вы: - планируете внедрять семантический поиск в свой продукт, - выбираете между проверенными временем БД и специализированными системами обработки векторов, - ищете независисые бенчмарки, то этот материал — для вас. Мы разберем основные концепции векторного поиска, сравним популярные open-source решения и протестируем скорость их работы с учетом загрузки процессора и памяти.

https://habr.com/ru/companies/tensor/articles/970480/

#векторный_поиск #pgvector #pgvectors #milvus #weaviate #redis #qdrant #vespa #elasticsearch #chroma

Выбираем векторную БД для AI-агентов и RAG: большой обзор баз данных и поиск смысла

В этой статье я сделал обзор основных векторных баз данных: Milvus, Qdrant, Weaviate, ChromaDB, pgvector, Redis, pgvectorscale, LanceDB, ClickHouse, Vespa, Marqo, ElasticSearch. Если вы запутались в разнообразии векторных баз данных или хочется верхнеуровнево понимать как они устроены, чем отличаются и для чего вообще нужны, то эта статья будет очень полезна. Мы пошагово соберем все ожидания от векторных БД, посмотрим бенчмарки, а затем попробуем собрать все воедино.

https://habr.com/ru/articles/961088/

#базы_данных #milvus #pgvector #qdrant #redis #chroma #chromadb #ииагенты #aiагенты #LLM

Unlock the power of visual search with Image Retrieval PGVector! Learn to build a system using PostgreSQL, MinIO, & image embeddings. Check it out! #ImageRetrieval #PGVector #VisualSearch

https://teguhteja.id/image-retrieval-pgvector-guide/?utm_source=mastodon&utm_medium=jetpack_social

Векторный поиск внутри PostgreSQL: что умеет и где может пригодиться pgvector

Итак, ваш проект вырос и вам потребовалась новая функциональность, будь то рекомендательный движок, база знаний или автоматизированная первая линия техподдержки. Для всего этого можно использовать векторный и/или семантический поиск, а также интегрировать в проект LLM. Поздравляю — теперь вам нужно еще и хранить embedding-векторы, а также искать по ним ближайшие объекты. Решений два: внешняя векторная БД или интеграция всего этого богатства в существующий стек. Второй путь проще на старте, немного быстрее и обычно дешевле — разумеется, если вы уже используете PostgreSQL. Привет, Хабр! Меня зовут Александр Гришин, я отвечаю за развитие продуктов хранения данных в Selectel:

https://habr.com/ru/companies/selectel/articles/920824/

#selectel #postgresql #cloud #dbaas #embeddings #vector #vectordb #pgvector

Sharding Pgvector

https://pgdog.dev/blog/sharding-pgvector

#HackerNews #Sharding #Pgvector #Sharding #Database #PostgreSQL #Tech #Blog #Data #Management

🔎🔥Summoning all #dataengineers, #AI enthusiasts, and #RAG masterminds - join us at #VSCON25 June 6th to expand your knowledge and network with global developers from #Google, #Oracle, and #Microsoft!

Sign up at: http://vsearchcon.com

#tech #vectorsearch #postgresql #pgvector #LLMs #MySQL #Vespa #Couchbase

Evaluating vector indexes in MariaDB and pgvector: part 2 : https://smalldatum.blogspot.com/2025/01/evaluating-vector-indexes-in-mariadb_13.html #mariadb #opensource #relational #database #vector #ai #pgvector

Evaluating vector indexes in MariaDB and pgvector: part 2 : https://smalldatum.blogspot.com/2025/01/evaluating-vector-indexes-in-mariadb_13.html #mariadb #opensource #relational #database #vector #ai #pgvector

Evaluating vector indexes in MariaDB and pgvector: part 1 : https://smalldatum.blogspot.com/2025/01/evaluating-vector-indexes-in-mariadb.html #mariadb #opensource #relational #database #vector #ai #pgvector

Evaluating vector indexes in MariaDB and pgvector: part 1 : https://smalldatum.blogspot.com/2025/01/evaluating-vector-indexes-in-mariadb.html #mariadb #opensource #relational #database #vector #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