Skip to content
🚀 EDDI 6.5.0

ผู้ให้บริการ LLM 19 ราย ฐานความรู้ที่ครอลเว็บไซต์และอ่านไฟล์ของคุณ และบทสนทนาที่ย้ายตามเวอร์ชันเอเจนต์ที่เข้ากันได้มีอะไรใหม่

แมนเนจด์คลาวด์ เริ่มต้น
การเชื่อมต่อทั้งหมด
ข้อมูลและ RAGstoreType: chroma

Chroma

Chroma เป็น vector store สำหรับฐานความรู้ของ EDDI เป็นตัวเลือกที่ติดขัดน้อยที่สุดเมื่อคุณไม่มีโครงสร้างพื้นฐานเดิมให้ใช้ซ้ำ

สิ่งที่คุณได้รับ

  • คำตอบแบบเสริมด้วยการค้นคืน (retrieval-augmented) จากเอกสารของคุณเอง
  • หนึ่งใน vector store 6 ประเภท เลือกด้วยการตั้งค่า ไม่ใช่ด้วยโค้ด
  • แหล่งนำเข้า: การรวบรวมข้อมูลเว็บไซต์และไฟล์ที่อัปโหลด พร้อมตารางเวลาและประวัติการรัน

ทำงานอย่างไรใน EDDI

  1. รันเซิร์ฟเวอร์ Chroma และจด URL กับชื่อ collection
  2. สร้าง RagConfiguration ที่มี storeType: "chroma" และพารามิเตอร์ของ store พร้อมผู้ให้บริการ embedding
  3. ผูกกับเอเจนต์ด้วยขั้นตอน workflow eddi://ai.labs.rag
  4. เลือกตามชื่อในงาน LLM ใต้ knowledgeBases แล้วนำเข้าเอกสาร

การตั้งค่า

นำมาจากเอกสารของ EDDI ค่าตัวอย่างเช่น your-agent-id ให้คุณแทนที่ด้วยค่าของคุณเอง

RagConfiguration (POST /ragstore/rags)ฐานความรู้ Chroma ต้องใช้ base URL และชื่อ collection
{
  "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 taskขั้นตอนที่ผูกฐานความรู้กับเอเจนต์ และงานที่ใช้งาน การข้ามขั้นตอน workflow คือข้อผิดพลาดที่พบบ่อยที่สุด
// 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." }
} ] }

การกำกับดูแล

  • API key ของ embedding เป็นการอ้างอิงคลังความลับ ชุดเอกสารและข้อมูลรับรองจึงแยกจากกัน
  • การเรียก embedding ส่งข้อความของเอกสารไปยังผู้ให้บริการ embedding แบบโฮสต์ หากข้อมูลห้ามออกนอกโครงสร้างพื้นฐานของคุณ ให้ใช้โมเดล embedding ที่โฮสต์เอง
  • vector store ที่เปิดโล่งคือสำเนาของชุดเอกสารของคุณ ให้รัน Chroma พร้อมการยืนยันตัวตนและไม่เปิดบนอินเทอร์เฟซสาธารณะ

ควรรู้

  • การแทนที่ chunk ของเอกสารได้รับการตรวจสอบแล้วสำหรับ in-memory และ pgvector ส่วน Chroma คาดว่าใช้ได้แต่ไม่มีการทดสอบครอบคลุม เอกสารที่นำเข้าใหม่จึงอาจทิ้ง chunk ที่ล้าสมัยไว้

การเชื่อมต่อที่เกี่ยวข้อง

การตั้งค่าและพฤติกรรมในหน้านี้อ้างอิงเอกสารของ EDDI ตรวจสอบเมื่อ 2026-10-14 ชื่อฟิลด์และค่าเริ่มต้นอาจเปลี่ยนไประหว่างรุ่น โปรดยืนยันในเอกสารของรุ่นที่คุณใช้