🚀 EDDI 6.5.0

19 fournisseurs LLM, des bases de connaissances qui explorent votre site et lisent vos fichiers, et des conversations qui suivent les versions compatibles des agentsNouveautés

Cloud Géré Démarrer
Toutes les intégrations
Données et RAGstoreType: elasticsearch

Elasticsearch

Elasticsearch comme base vectorielle pour une base de connaissances EDDI, utile lorsque vous l'exploitez déjà et souhaitez réunir recherche par mots-clés et recherche vectorielle au même endroit.

ConfigurationDoc ↗

Ce que vous obtenez

  • Une base de connaissances dans un cluster que vous exploitez déjà
  • Une authentification par clé d'API ou par nom d'utilisateur et mot de passe
  • La même configuration d'agent que pour toute autre base

Fonctionnement dans EDDI

  1. S'assurer qu'un cluster Elasticsearch est joignable et choisir un nom d'index.
  2. Créer une RagConfiguration avec storeType: "elasticsearch", le serverUrl et le indexName.
  3. La lier avec une étape de workflow eddi://ai.labs.rag.
  4. La sélectionner par son nom dans la tâche LLM et ingérer des documents.

Configuration

Tirée de la documentation d'EDDI. Les espaces réservés comme your-agent-id sont à remplacer par vos propres valeurs.

RagConfiguration (POST /ragstore/rags)Le serverUrl par défaut est localhost:9200. Ajoutez une apiKey, ou un userName et un password, pour un cluster sécurisé.
{
  "name": "product-docs",
  "embeddingProvider": "openai",
  "embeddingParameters": {
    "model": "text-embedding-3-small",
    "apiKey": "${vault:openai-key}"
  },
  "storeType": "elasticsearch",
  "storeParameters": {
    "serverUrl": "localhost:9200",
    "indexName": "product-docs"
  },
  "chunkStrategy": "recursive",
  "chunkSize": 512,
  "chunkOverlap": 64,
  "maxResults": 5,
  "minScore": 0.6
}
workflow step + langchain.json taskLier la base de connaissances à l'agent et l'utiliser dans une tâche.
// 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." }
} ] }

Gouvernance

  • Référencer la clé d'API ou le mot de passe depuis le coffre.
  • Les appels d'embeddings envoient le texte des documents au fournisseur d'embeddings que vous configurez.
  • Le contrôle d'accès existant de votre cluster s'applique aux vecteurs.

Bon à savoir

  • Le remplacement des fragments d'un document devrait fonctionner avec Elasticsearch mais n'est pas couvert par des tests. Sans lui, des documents ré-ingérés peuvent laisser des fragments obsolètes.
CommencerDoc ↗

Intégrations associées

Données et RAGpgvectorPostgreSQL avec pgvector comme base vectorielle pour une base de connaissances EDDI. Le choix persistant recommandé lorsque vous exploitez déjà PostgreSQL.Données et RAGQdrantQdrant comme base vectorielle pour une base de connaissances EDDI, une base de données vectorielle conçue à cet effet, avec de la marge pour évoluer.Données et RAGMongoDB Atlas Vector SearchMongoDB Atlas Vector Search comme base vectorielle pour une base de connaissances EDDI, un choix naturel si vous êtes déjà sur Atlas.

La configuration et le comportement décrits sur cette page suivent la documentation d'EDDI, vérifiée le 2026-10-14. Les noms de champs et les valeurs par défaut peuvent changer d'une version à l'autre : confirmez-les dans la documentation de votre version.