🚀 EDDI 6.5.0

19 LLM-Anbieter, Wissensdatenbanken, die Ihre Website crawlen und Ihre Dateien lesen, und Konversationen, die kompatiblen Agentenversionen folgenNeuigkeiten

Managed Cloud Jetzt Starten
Alle Integrationen
Daten und RAGstoreType: pgvector

pgvector

PostgreSQL mit pgvector als Vektorspeicher für eine EDDI-Wissensbasis. Die empfohlene persistente Wahl, wenn Sie ohnehin PostgreSQL betreiben.

KonfigurationDoku ↗

Was Sie bekommen

  • Eine Wissensbasis in einer Datenbank, die Sie bereits sichern und betreiben
  • Verifizierter Dokumentersatz bei erneuter Aufnahme
  • Dieselbe Agentenkonfiguration wie bei jedem anderen Speicher, nur die Speicherparameter ändern sich

So funktioniert es in EDDI

  1. Die pgvector-Erweiterung in PostgreSQL aktivieren und eine Datenbank samt Nutzer anlegen.
  2. Eine RagConfiguration mit storeType: "pgvector", den Verbindungsdaten, einer Tabelle und der Vektor-dimension anlegen.
  3. Sie mit einem eddi://ai.labs.rag-Workflow-Schritt binden.
  4. In der LLM-Task per Namen auswählen und Dokumente aufnehmen.

Konfiguration

Aus der EDDI-Dokumentation übernommen. Platzhalter wie your-agent-id ersetzen Sie durch Ihre eigenen Werte.

RagConfiguration (POST /ragstore/rags)Die Dimension muss zu Ihrem Embedding-Modell passen. 1536 passt zu text-embedding-3-small.
{
  "name": "product-docs",
  "embeddingProvider": "openai",
  "embeddingParameters": {
    "model": "text-embedding-3-small",
    "apiKey": "${vault:openai-key}"
  },
  "storeType": "pgvector",
  "storeParameters": {
    "host": "localhost",
    "port": 5432,
    "database": "eddi",
    "user": "eddi",
    "password": "${vault:pg-password}",
    "table": "product_docs",
    "dimension": 1536
  },
  "chunkStrategy": "recursive",
  "chunkSize": 512,
  "chunkOverlap": 64,
  "maxResults": 5,
  "minScore": 0.6
}
workflow step + langchain.json taskDie Wissensbasis an den Agenten binden und in einer Task verwenden.
// 1. workflow step: binds the knowledge base to the agent
{ "type": "eddi://ai.labs.rag",
  "extensions": {},
  "config": { "uri": "eddi://ai.labs.rag/ragstore/rags/{ragId}?version=1" } }

// 2. LLM task: selects it by the "name" of the RagConfiguration
{ "tasks": [{
    "actions": ["*"],
    "type": "openai",
    "knowledgeBases": [{ "name": "product-docs", "maxResults": 5, "minScore": 0.7 }],
    "parameters": { "systemMessage": "You are a helpful assistant." }
} ] }

Governance

  • Das Datenbankpasswort ist ein Pflichtparameter. Halten Sie es als Vault-Referenz.
  • Ihre bestehende PostgreSQL-Zugriffskontrolle und Ihre Backups gelten auch für die Vektoren.
  • Embedding-Aufrufe senden Dokumenttext an den von Ihnen konfigurierten Embedding-Anbieter.

Gut zu wissen

  • Der In-Memory-Speicher ist für die Entwicklung gedacht: Er leert sich nach 30 Minuten ohne Abfrage und bei einem Neustart. Ein persistenter Speicher wie pgvector ist die Wahl für die Produktion.
LoslegenDoku ↗

Verwandte Integrationen

Daten und RAGChromaChroma als Vektorspeicher für eine EDDI-Wissensbasis. Die Option mit der geringsten Einstiegshürde, wenn Sie keine bestehende Infrastruktur wiederverwenden können.Daten und RAGElasticsearchElasticsearch als Vektorspeicher für eine EDDI-Wissensbasis, nützlich, wenn Sie es bereits betreiben und Stichwort- und Vektorsuche an einem Ort wollen.Daten und RAGMongoDB Atlas Vector SearchMongoDB Atlas Vector Search als Vektorspeicher für eine EDDI-Wissensbasis, eine naheliegende Wahl, wenn Sie bereits auf Atlas laufen.

Konfiguration und Verhalten auf dieser Seite folgen der EDDI-Dokumentation, geprüft am 2026-10-14. Feldnamen und Standardwerte können sich zwischen Releases ändern. Bestätigen Sie sie daher in der Dokumentation Ihrer Version.