🚀 EDDI 6.5.0

19 provedores LLM, bases de conhecimento que rastreiam o seu site e leem os seus arquivos, e conversas que acompanham as versões compatíveis do agenteNovidades

Cloud Gerenciada Começar
Todas as integrações
Dados e RAGstoreType: chroma

Chroma

Chroma como armazenamento vetorial de uma base de conhecimento do EDDI. A opção de menor atrito quando você não tem infraestrutura existente para reaproveitar.

ConfiguraçãoDocumentação ↗

O que você recebe

  • Respostas com recuperação aumentada a partir dos seus próprios documentos
  • Um dos 6 armazenamentos vetoriais, escolhido por configuração e não por código
  • Fontes de ingestão: rastreamento de sites e arquivos enviados, com agendamentos e histórico de execuções

Como funciona no EDDI

  1. Execute um servidor Chroma e anote sua URL e o nome de uma coleção.
  2. Crie uma RagConfiguration com storeType: "chroma" e os parâmetros do armazenamento, além do provedor de embeddings.
  3. Vincule-a ao agente com um passo de workflow eddi://ai.labs.rag.
  4. Selecione-a na tarefa de LLM pelo nome em knowledgeBases e depois ingira os documentos.

Configuração

Extraída da documentação do EDDI. Marcadores como your-agent-id devem ser substituídos pelos seus próprios valores.

RagConfiguration (POST /ragstore/rags)A base de conhecimento. O Chroma recebe uma URL base e um nome de coleção.
{
  "name": "product-docs",
  "embeddingProvider": "openai",
  "embeddingParameters": {
    "model": "text-embedding-3-small",
    "apiKey": "${vault:openai-key}"
  },
  "storeType": "chroma",
  "storeParameters": {
    "baseUrl": "http://localhost:8000",
    "collectionName": "product-docs"
  },
  "chunkStrategy": "recursive",
  "chunkSize": 512,
  "chunkOverlap": 64,
  "maxResults": 5,
  "minScore": 0.6
}
workflow step + langchain.json taskO passo que a vincula ao agente e a tarefa que a usa. Pular o passo do workflow é o erro mais comum.
// 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." }
} ] }

Governança

  • As chaves de API de embeddings são referências ao cofre, então o corpus de documentos e as credenciais permanecem separados.
  • As chamadas de embeddings enviam o texto dos documentos a um provedor de embeddings hospedado. Se os dados não podem sair da sua infraestrutura, use um modelo de embeddings auto-hospedado.
  • Um armazenamento vetorial aberto é uma cópia do seu corpus. Execute o Chroma com autenticação e fora de interfaces públicas.

Bom saber

  • A substituição dos chunks de um documento é verificada para o armazenamento em memória e o pgvector. Para o Chroma, espera-se que funcione, mas não é coberta por testes, então documentos reingeridos podem deixar chunks obsoletos.
ComeçarDocumentação ↗

Integrações relacionadas

Dados e RAGpgvectorPostgreSQL com pgvector como armazenamento vetorial de uma base de conhecimento do EDDI. A opção persistente recomendada quando você já opera PostgreSQL.Dados e RAGQdrantQdrant como armazenamento vetorial de uma base de conhecimento do EDDI, um banco de dados vetorial especializado com espaço para crescer.InfraestruturaOllamaExecute modelos localmente com o Ollama e mantenha prompts e documentos no seu próprio hardware, para ambientes on-premises e isolados da rede (air-gapped).

A configuração e o comportamento desta página seguem a documentação do EDDI, verificada em 2026-10-14. Nomes de campos e valores padrão podem mudar entre versões, portanto confirme-os na documentação da sua versão.