你将获得
- 基于你自己文档的检索增强回答
- 6 种向量库之一,通过配置而不是代码来选择
- 摄取来源:网站抓取和上传文件,支持计划任务和运行历史
在 EDDI 中如何工作
- 运行一个 Chroma 服务器,记下它的 URL 和集合名称。
- 创建一个 RagConfiguration,设置
storeType: "chroma"和向量库参数,并指定嵌入提供方。 - 用
eddi://ai.labs.rag工作流步骤把它绑定到代理。 - 在 LLM 任务的
knowledgeBases下按名称选择它,然后摄取文档。
配置
摘自 EDDI 文档。诸如 your-agent-id 之类的占位符需要你自行替换。
{
"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
}// 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." }
} ] }治理
- 嵌入 API 密钥是保管库引用,因此文档语料和凭据彼此分离。
- 嵌入调用会把文档文本发送给托管的嵌入提供方。如果数据不得离开你的基础设施,请使用自托管的嵌入模型。
- 开放的向量库就是你语料的一份副本。请为 Chroma 启用认证,并避免暴露在公共接口上。
须知
- 替换文档分块的行为已在内存模式和 pgvector 上验证。对 Chroma 预计可用,但没有测试覆盖,因此重新摄取的文档可能会留下过期的分块。
相关集成
本页的配置和行为依据 EDDI 文档,核对日期为 2026-10-14。字段名称和默认值可能随版本变化,请在所用版本的文档中确认。