🚀 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: pgvector

pgvector

PostgreSQL avec pgvector comme base vectorielle pour une base de connaissances EDDI. Le choix persistant recommandé lorsque vous exploitez déjà PostgreSQL.

ConfigurationDoc ↗

Ce que vous obtenez

  • Une base de connaissances dans une base de données que vous sauvegardez et exploitez déjà
  • Un remplacement de document vérifié lors de la ré-ingestion
  • La même configuration d'agent que pour toute autre base, seuls les paramètres de la base changent

Fonctionnement dans EDDI

  1. Activer l'extension pgvector dans PostgreSQL et créer une base de données et un utilisateur.
  2. Créer une RagConfiguration avec storeType: "pgvector", les détails de connexion, une table et la dimension des vecteurs.
  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)La dimension doit correspondre à votre modèle d'embeddings. 1536 correspond à 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 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

  • Le mot de passe de la base de données est un paramètre obligatoire. Conservez-le sous forme de référence au coffre.
  • Votre contrôle d'accès PostgreSQL et vos sauvegardes existants s'appliquent aux vecteurs.
  • Les appels d'embeddings envoient le texte des documents au fournisseur d'embeddings que vous configurez.

Bon à savoir

  • La base en mémoire est destinée au développement : elle se vide après 30 minutes sans requête et au redémarrage. Une base persistante comme pgvector est le choix pour la production.
CommencerDoc ↗

Intégrations associées

Données et RAGChromaChroma comme base vectorielle pour une base de connaissances EDDI. L'option la plus simple à mettre en place lorsque vous n'avez pas d'infrastructure existante à réutiliser.Données et RAGElasticsearchElasticsearch 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.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.