🚀 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: qdrant

Qdrant

Qdrant comme base vectorielle pour une base de connaissances EDDI, une base de données vectorielle conçue à cet effet, avec de la marge pour évoluer.

ConfigurationDoc ↗

Ce que vous obtenez

  • Une base de données vectorielle dédiée derrière votre base de connaissances
  • Clé d'API et TLS en option
  • La même configuration d'agent que pour toute autre base

Fonctionnement dans EDDI

  1. Lancer un serveur Qdrant et noter son hôte et son port gRPC (la valeur par défaut d'EDDI est 6334).
  2. Créer une RagConfiguration avec storeType: "qdrant" et un collectionName.
  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)Qdrant prend un hôte, un port et un nom de collection. apiKey et useTls sont facultatifs.
{
  "name": "product-docs",
  "embeddingProvider": "openai",
  "embeddingParameters": {
    "model": "text-embedding-3-small",
    "apiKey": "${vault:openai-key}"
  },
  "storeType": "qdrant",
  "storeParameters": {
    "host": "localhost",
    "port": 6334,
    "collectionName": "product-docs",
    "useTls": false
  },
  "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

  • Si Qdrant exige une clé d'API, référencez-la depuis le coffre.
  • Les appels d'embeddings envoient le texte des documents au fournisseur d'embeddings que vous configurez.
  • Une base vectorielle ouverte est une copie de votre corpus. Gardez-la hors des interfaces publiques.

Bon à savoir

  • Le remplacement des fragments d'un document devrait fonctionner avec Qdrant mais n'est pas couvert par des tests. Sans lui, des documents ré-ingérés peuvent laisser des fragments obsolètes.
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 RAGpgvectorPostgreSQL avec pgvector comme base vectorielle pour une base de connaissances EDDI. Le choix persistant recommandé lorsque vous exploitez déjà PostgreSQL.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.

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.