🚀 EDDI 6.5.0

19 proveedores LLM, bases de conocimiento que rastrean su sitio y leen sus archivos, y conversaciones que siguen las versiones compatibles del agenteNovedades

Cloud Gestionada Empezar
Todas las integraciones
Datos y RAGstoreType: pgvector

pgvector

PostgreSQL con pgvector como almacén vectorial de una base de conocimiento de EDDI. La opción persistente recomendada cuando ya operas PostgreSQL.

ConfiguraciónDocumentación ↗

Qué obtienes

  • Una base de conocimiento dentro de una base de datos de la que ya haces copias de seguridad y que ya operas
  • Sustitución verificada de documentos en la reingesta
  • La misma configuración de agente que con cualquier otro almacén; solo cambian los parámetros del almacén

Cómo funciona en EDDI

  1. Habilita la extensión pgvector en PostgreSQL y crea una base de datos y un usuario.
  2. Crea una RagConfiguration con storeType: "pgvector", los datos de conexión, una tabla y la dimension del vector.
  3. Vincúlala con un paso de workflow eddi://ai.labs.rag.
  4. Selecciónala por nombre en la tarea de LLM e ingiere documentos.

Configuración

Extraída de la documentación de EDDI. Los marcadores como your-agent-id deben sustituirse por tus propios valores.

RagConfiguration (POST /ragstore/rags)La dimensión debe coincidir con tu modelo de embeddings. 1536 coincide con 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 taskVincular la base de conocimiento al agente y usarla en una tarea.
// 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." }
} ] }

Gobernanza

  • La contraseña de la base de datos es un parámetro obligatorio. Mantenla como referencia a la bóveda.
  • El control de acceso y las copias de seguridad de tu PostgreSQL existente se aplican a los vectores.
  • Las llamadas de embeddings envían texto de los documentos al proveedor de embeddings que configures.

Conviene saber

  • El almacén en memoria es para desarrollo: se vacía tras 30 minutos sin consultas y al reiniciar. Un almacén persistente como pgvector es la elección para producción.
EmpezarDocumentación ↗

Integraciones relacionadas

Datos y RAGChromaChroma como almacén vectorial de una base de conocimiento de EDDI. La opción de menor fricción cuando no tienes infraestructura existente que reutilizar.Datos y RAGElasticsearchElasticsearch como almacén vectorial de una base de conocimiento de EDDI, útil cuando ya lo operas y quieres búsqueda por palabras clave y vectorial en un mismo lugar.Datos y RAGMongoDB Atlas Vector SearchMongoDB Atlas Vector Search como almacén vectorial de una base de conocimiento de EDDI, una opción natural si ya trabajas en Atlas.

La configuración y el comportamiento de esta página siguen la documentación de EDDI, comprobada el 2026-10-14. Los nombres de campo y los valores por defecto pueden cambiar entre versiones, así que confírmalos en la documentación de tu versión.