🚀 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: pgvector

pgvector

PostgreSQL com pgvector como armazenamento vetorial de uma base de conhecimento do EDDI. A opção persistente recomendada quando você já opera PostgreSQL.

ConfiguraçãoDocumentação ↗

O que você recebe

  • Uma base de conhecimento dentro de um banco de dados que você já opera e do qual já faz backup
  • Substituição de documentos verificada na reingestão
  • A mesma configuração de agente de qualquer outro armazenamento; só mudam os parâmetros do armazenamento

Como funciona no EDDI

  1. Habilite a extensão pgvector no PostgreSQL e crie um banco de dados e um usuário.
  2. Crie uma RagConfiguration com storeType: "pgvector", os dados de conexão, uma tabela e a dimension do vetor.
  3. Vincule-a com um passo de workflow eddi://ai.labs.rag.
  4. Selecione-a pelo nome na tarefa de LLM e 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 dimensão precisa corresponder ao seu modelo de embeddings. 1536 corresponde ao 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 a base de conhecimento ao agente e usá-la em uma tarefa.
// 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

  • A senha do banco de dados é um parâmetro obrigatório. Mantenha-a como referência ao cofre.
  • O controle de acesso e os backups do seu PostgreSQL existente se aplicam aos vetores.
  • As chamadas de embeddings enviam o texto dos documentos ao provedor de embeddings que você configurar.

Bom saber

  • O armazenamento em memória é para desenvolvimento: ele se esvazia após 30 minutos sem consultas e ao reiniciar. Um armazenamento persistente como o pgvector é a escolha para produção.
ComeçarDocumentação ↗

Integrações relacionadas

Dados e RAGChromaChroma como armazenamento vetorial de uma base de conhecimento do EDDI. A opção de menor atrito quando você não tem infraestrutura existente para reaproveitar.Dados e RAGElasticsearchElasticsearch como armazenamento vetorial de uma base de conhecimento do EDDI, útil quando você já o opera e quer busca por palavras-chave e vetorial em um só lugar.Dados e RAGMongoDB Atlas Vector SearchMongoDB Atlas Vector Search como armazenamento vetorial de uma base de conhecimento do EDDI, uma escolha natural se você já roda no Atlas.

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.