ApsaraDB RDS:Use ApsaraDB RDS for PostgreSQL to create a RAG application

Kaynak verileri edinme

RAG uygulamanızın amacına göre veri toplayın. Bu kılavuzdaki bilet sohbet botu üç kaynak kullanır:

• Yardım dokümantasyonu

• Bilgi tabanı makaleleri

• Geçmiş destek biletleri

Belgeleri segmentlere ayırma ve gömme oluşturma

Gömme oluşturmadan önce belgeleri parçalara ayırın. Yardım belgelerini HTML hiyerarşisine (H1, H2) göre segmentlere ayırmak için LangChain HTMLHeaderTextSplitter sınıfını kullanın. Geri alım hassasiyeti ve kapsama alanı arasında denge kurmak için parça boyutunu ve örtüşmeyi yapılandırın. Bölücü seçeneklerinin tam listesi için bkz. LangChain metin bölücüler.

Markdown belgeleri için, MarkdownHeaderTextSplitter öğesini başlık işaretleriyle (örneğin # ve ##) hiyerarşik bölme için kullanın.

Verileri saklama

İşlenen verileri iki temel tabloda saklayın: document ve embedding.

CREATE OR REPLACE FUNCTION update_tsvector()
RETURNS TRIGGER AS $$
BEGIN
    IF TG_OP = 'INSERT' OR TG_OP = 'UPDATE' THEN
        IF NEW.tag = 'direct' THEN
            NEW.key_word_tsvector := setweight(to_tsvector('jiebacfg', NEW.key_word), 'A');
        ELSIF NEW.tag = 'aone' THEN
            NEW.key_word_tsvector := setweight(to_tsvector('jiebacfg', NEW.key_word), 'B');
        ELSIF NEW.tag IS NOT NULL THEN
            NEW.key_word_tsvector := setweight(to_tsvector('jiebacfg', NEW.key_word), 'C');
        ELSE
            NEW.key_word_tsvector := setweight(to_tsvector('jiebacfg', NEW.key_word), 'D');
        END IF;
    END IF;

    RETURN NEW;
END;
$$ LANGUAGE plpgsql;
CREATE FUNCTION

CREATE TRIGGER trigger_update_tsvector
BEFORE INSERT OR UPDATE ON document
FOR EACH ROW
EXECUTE FUNCTION update_tsvector();
CREATE TRIGGER

CREATE TRIGGER embedding_tsvector_update
BEFORE INSERT OR UPDATE ON embedding
FOR EACH ROW
EXECUTE PROCEDURE tsvector_update_trigger('ts_vector_extra','public.jiebacfg','content_chunk');

Her geri alım yönteminin ne zaman kullanılacağı

Farklı geri alım yöntemleri farklı sorgu özelliklerine uygundur. Kullanım durumunuz için doğru stratejiyi seçmek üzere bu tabloyu kullanın:

Çoğu RAG uygulaması için dört yöntemin tümünü birleştirin ve sonuçları RRF algoritması kullanarak birleştirin. Bu, tek bir yöntemden daha iyi bir geri alım sağlar.

Belge anahtar kelime tabanlı geri alım

Belge anahtar kelime tabanlı geri alım, kullanıcı sorularını document tablosunda saklanan anahtar kelimelerle eşleştirir ve benzerliğe göre en iyi N belgeyi döndürür.

Adım 1: Belge anahtar kelimelerini ağırlıklı tsvector değerleri olarak dizinleyin.

Anahtar kelimeleri segmentlere ayırmak için to_tsvector ve ağırlık atamak için setweight kullanın. Çince kelime segmentasyonu uzantıları pg_jieba ve zhparser Çince metni işler. Kurulum talimatları için bkz. Uzantıları yönetme.

SELECT setweight(to_tsvector('jiebacfg', 'PostgreSQL是世界上先进的开源关系型数据库'), 'A');
                                   setweight
-------------------------------------------------------------------------------
 'postgresql':1A '世界':3A '先进':5A '关系':8A '型':9A '开源':7A '数据库':10A

Adım 2: Kullanıcı sorusunu bir tsquery'e dönüştürün ve anahtar kelimelerle eşleştirin.

SELECT
    id,
    title,
    url,
    key_word,
    ts_rank(
        key_word_tsvector,
        to_tsquery(replace(text(plainto_tsquery('jiebacfg', '%s')), '&', '|'))
    ) AS score
FROM
    public.document
WHERE
    key_word_tsvector @@ to_tsquery(replace(text(plainto_tsquery('jiebacfg', '%s')), '&', '|'))
    AND product_name = '%s'
ORDER BY
    score DESC
LIMIT 1;

Temel işlevler:

to_tsquery bir soruyu tsquery değerine dönüştürür:

SELECT to_tsquery('jiebacfg', 'PostgreSQL是世界上先进的开源关系型数据库');
                                   to_tsquery
--------------------------------------------------------------------------------
 'postgresql' <2> '世界' <2> '先进' <2> '开源' <-> '关系' <-> '型' <-> '数据库'

<2> kelimeler arasındaki mesafeyi gösterir. <-> bitişik kelimeleri gösterir. 是 ve 的 gibi durdurma kelimeleri otomatik olarak kaldırılır. & VE anlamına gelir, | VEYA anlamına gelir ve ! DEĞİL anlamına gelir.

Kullanıcı girdisi geçersiz operatörler içerebileceğinde to_tsquery yerine plainto_tsquery kullanın:

SELECT to_tsquery('jiebacfg','日志|&堆积');
ERROR:  syntax error in tsquery: "日志|&堆积"

SELECT plainto_tsquery('jiebacfg','日志|&堆积');
 plainto_tsquery
-----------------
 '日志' & '堆积'

VEYA eşleştirmesi için & işaretini | ile değiştirmek amacıyla plainto_tsquery sonucunu bir dizeye dönüştürmek için text işlevini, ardından replace işlevini kullanın:

-- Use the plainto_tsquery function.
SELECT plainto_tsquery('jiebacfg', 'PostgreSQL是世界上先进的开源关系型数据库');
                          plainto_tsquery
--------------------------------------------------------------------
 'postgresql' & '世界' & '先进' & '开源' & '关系' & '型' & '数据库'

-- Use the plainto_tsquery, text, and replace functions.
SELECT replace(text(plainto_tsquery('jiebacfg', 'PostgreSQL是世界上先进的开源关系型数据库')), '&', '|');
                            replace
--------------------------------------------------------------------
 'postgresql' | '世界' | '先进' | '开源' | '关系' | '型' | '数据库'

-- Use the to_tsquery, plainto_tsquery, text, and replace functions.
SELECT to_tsquery(replace(text(plainto_tsquery('jiebacfg', 'PostgreSQL是世界上先进的开源关系型数据库')), '&', '|'));
                           to_tsquery
--------------------------------------------------------------------
 'postgresql' | '世界' | '先进' | '开源' | '关系' | '型' | '数据库'

Alana özgü ifadelerin segmentasyonunu iyileştirmek için pg_jieba sözlüğüne özel terimler ekleyin:

-- Automatically add 关系型 to custom dictionary 0 with a weight of 100000.
INSERT INTO jieba_user_dict VALUES ('关系型',0,100000);

-- Load custom dictionary 0. The first 0 is the dictionary sequence number; the second 0 loads the default dictionary.
SELECT jieba_load_user_dict(0,0);
 jieba_load_user_dict
----------------------

-- Convert a user question into a tsquery value.
SELECT to_tsquery(replace(text(plainto_tsquery('jiebacfg', 'PostgreSQL是世界上先进的开源关系型数据库')), '&', '|'));
                           to_tsquery
--------------------------------------------------------------------
 'postgresql' | '世界' | '先进' | '开源' | '关系型' | '数据库'

关系型 terimini sözlüğe eklemeden önce, terim '关系' & '型' şeklinde ayrışır. Ekledikten sonra sözlük, bileşik terimi '关系型' tek bir belirteç olarak döndürür.

Operatörler ve puanlama:

Bir tsvector'un bir tsquery ile eşleşip eşleşmediğini kontrol etmek için @@ kullanın. Ağırlık eşleştirmesi sonuçları etkiler:

SELECT to_tsvector('jiebacfg', 'PostgreSQL是世界上先进的开源关系型数据库') @@ to_tsquery('jiebacfg', 'postgresql:A');
 ?column?
----------
 f

SELECT setweight(to_tsvector('jiebacfg', 'PostgreSQL是世界上先进的开源关系型数据库'),'A') @@ to_tsquery('jiebacfg', 'postgresql:A');
 ?column?
----------
 t

Sorgu, A ağırlığına sahip postgresql arar. Tsvector'a ağırlık atanmadığından ilk ifade false döndürür. setweight uygulandıktan sonra eşleşme başarılı olur.

Bir tsvector'un bir tsquery ile ne kadar iyi eşleştiğini puanlamak için ts_rank kullanın:

WITH sentence AS (
    SELECT 'PostgreSQL是世界上先进的开源关系型数据库' AS content
    UNION ALL
    SELECT 'MySQL是应用广泛的开源关系数据库'
    UNION ALL
    SELECT 'MySQL在全球非常流行'
)
SELECT content,
       ts_rank(to_tsvector('jiebacfg', content), to_tsquery('jiebacfg', 'postgresql | 开源')) AS score
FROM sentence
WHERE to_tsvector('jiebacfg', content) @@ to_tsquery('jiebacfg', 'postgresql | 开源')
ORDER BY score DESC;

                  content                   |    score
--------------------------------------------+-------------
 PostgreSQL是世界上先进的开源关系型数据库 |  0.06079271
 MySQL是应用广泛的开源关系数据库          | 0.030396355

İlk cümle hem postgresql hem de 开源 ile eşleşir ve yalnızca 开源 ile eşleşen ikinci cümleden daha yüksek puan alır. Üçüncü cümle hiçbir terimle eşleşmediği için @@ tarafından filtrelenir.

Segmentasyon hatalarını yönetme:

Kelime segmentasyonu başarısız olursa veya girdi beklenmeyen karakterler içerirse, anahtar kelime eşleştirmesi sonuç döndürmeyebilir. Yedek olarak bulanık eşleştirme için pg_bigm uzantısını kullanın:

WITH sentence AS (
    SELECT 'PostgreSQL是世界上先进的开源关系型数据库' AS content
    UNION ALL
    SELECT 'MySQL是应用广泛的开源关系数据库'
    UNION ALL
    SELECT 'MySQL在全球非常流行'
)
SELECT
    content,
    bigm_similarity(content, 'postgres | 开源产品') AS score
FROM
    sentence
ORDER BY
    score DESC;

                  content                   |   score
--------------------------------------------+------------
  PostgreSQL是世界上先进的开源关系型数据库 | 0.23076923
  MySQL是应用广泛的开源关系数据库          | 0.05263158
  MySQL在全球非常流行                      |        0.0
(3 rows)

bigm_similarity her iki dizeyi de bigramlara (ardışık karakter çiftleri) dönüştürür ve örtüşmeyi hesaplar. Sonuç 0 ile 1 arasında değişir; 1 tam eşleşme anlamına gelir. Bu yöntem, yazım hataları, kısaltmalar veya segmentasyon hataları olduğunda iyi çalışır. Daha fazla bilgi için bkz. Bulanık eşleştirme tabanlı sorgular gerçekleştirmek için pg_bigm uzantısını kullanma.

İçerik anahtar kelime tabanlı geri alım

İçerik anahtar kelime tabanlı geri alım, content_chunk metnini embedding tablosunda belge anahtar kelime tabanlı geri alım ile aynı tam metin arama yaklaşımını kullanarak arar. Belge parçaları anahtar kelime alanlarından daha uzun olduğundan, RUM uzantısı önemli bir performans avantajı sağlar.

Aşağıdaki üç sorgu planı, farklı dizin yaklaşımları kullanan aynı tam metin arama sorgusunu karşılaştırır. Hepsi 'wal日志堆积怎么办' sorgusunu kullanır.

EXPLAIN ANALYZE
SELECT
    id,
    doc_id,
    content_chunk,
    ts_vector_extra <=> to_tsquery(
        REPLACE(
            TEXT(plainto_tsquery('jiebacfg', 'wal日志堆积怎么办')),
            '&',
            '|'
        )
    ) AS similarity
FROM
    embedding
WHERE
    ts_vector_extra @@ to_tsquery(
        REPLACE(
            TEXT(plainto_tsquery('jiebacfg', 'wal日志堆积怎么办')),
            '&',
            '|'
        )
    )
ORDER BY
    similarity
LIMIT
    10;
                                                                     QUERY PLAN
--------------------------------------------------------------------------------------------------------------------------------------------
 Limit  (cost=10.15..22.14 rows=10 width=521) (actual time=3.117..3.182 rows=10 loops=1)
   ->  Index Scan using embedding_rumidx on embedding  (cost=10.15..6574.53 rows=5474 width=521) (actual time=3.115..3.179 rows=10 loops=1)
         Index Cond: (ts_vector_extra @@ to_tsquery('''wal'' | ''日志'' | ''堆积'''::text))
         Order By: (ts_vector_extra <=> to_tsquery('''wal'' | ''日志'' | ''堆积'''::text))
 Planning Time: 0.296 ms
 Execution Time: 3.219 ms
(6 rows)

EXPLAIN ANALYZE
SELECT
    id,
    doc_id,
    content_chunk,
    ts_rank(
        ts_vector_extra,
        to_tsquery(
            REPLACE(
                TEXT(plainto_tsquery('jiebacfg', 'wal日志堆积怎么办')),
                '&',
                '|'
            )
        )
    ) AS similarity
FROM
    embedding
WHERE
    ts_vector_extra @@ to_tsquery(
        REPLACE(
            TEXT(plainto_tsquery('jiebacfg', 'wal日志堆积怎么办')),
            '&',
            '|'
        )
    )
ORDER BY
    similarity
LIMIT
    10;
                                                                           QUERY PLAN
---------------------------------------------------------------------------------------------------------------------------------------------------------
 Limit  (cost=7178.59..7179.76 rows=10 width=520) (actual time=10.526..14.192 rows=10 loops=1)
   ->  Gather Merge  (cost=7178.59..7718.33 rows=4626 width=520) (actual time=10.525..14.189 rows=10 loops=1)
         Workers Planned: 2
         Workers Launched: 2
         ->  Sort  (cost=6178.57..6184.35 rows=2313 width=520) (actual time=6.879..6.880 rows=10 loops=3)
               Sort Key: (ts_rank(ts_vector_extra, to_tsquery('''wal'' | ''日志'' | ''堆积'''::text)))
               Sort Method: top-N heapsort  Memory: 37kB
               Worker 0:  Sort Method: top-N heapsort  Memory: 39kB
               Worker 1:  Sort Method: top-N heapsort  Memory: 40kB
               ->  Parallel Bitmap Heap Scan on embedding  (cost=56.47..6128.59 rows=2313 width=520) (actual time=0.567..6.367 rows=1637 loops=3)
                     Recheck Cond: (ts_vector_extra @@ to_tsquery('''wal'' | ''日志'' | ''堆积'''::text))
                     Heap Blocks: exact=1515
                     ->  Bitmap Index Scan on embedding_ts_vector_gin  (cost=0.00..55.08 rows=5551 width=0) (actual time=0.794..0.794 rows=4910 loops=1)
                           Index Cond: (ts_vector_extra @@ to_tsquery('''wal'' | ''日志'' | ''堆积'''::text))
 Planning Time: 0.291 ms
 Execution Time: 14.234 ms

EXPLAIN ANALYZE
SELECT
    id,
    doc_id,
    content_chunk,
    ts_rank(
        to_tsvector('jiebacfg', content_chunk),
        to_tsquery(
            REPLACE(
                TEXT(plainto_tsquery('jiebacfg', 'wal日志堆积怎么办')),
                '&',
                '|'
            )
        )
    ) AS similarity
FROM
    embedding
WHERE
    to_tsvector('jiebacfg', content_chunk) @@ to_tsquery(
        REPLACE(
            TEXT(plainto_tsquery('jiebacfg', 'wal日志堆积怎么办')),
            '&',
            '|'
        )
    )
ORDER BY
    similarity
LIMIT
    10;
                                                                          QUERY PLAN
-------------------------------------------------------------------------------------------------------------------------------------------------------
 Limit  (cost=8253.58..8254.75 rows=10 width=521) (actual time=1079.289..1081.510 rows=10 loops=1)
   ->  Gather Merge  (cost=8253.58..8786.55 rows=4568 width=521) (actual time=1079.287..1081.508 rows=10 loops=1)
         Workers Planned: 2
         Workers Launched: 2
         ->  Sort  (cost=7253.56..7259.27 rows=2284 width=521) (actual time=1073.189..1073.191 rows=10 loops=3)
               Sort Key: (ts_rank(to_tsvector('jiebacfg'::regconfig, content_chunk), to_tsquery('''wal'' | ''日志'' | ''堆积'''::text)))
               Sort Method: top-N heapsort  Memory: 43kB
               Worker 0:  Sort Method: top-N heapsort  Memory: 42kB
               Worker 1:  Sort Method: top-N heapsort  Memory: 37kB
               ->  Parallel Bitmap Heap Scan on embedding  (cost=55.93..7204.20 rows=2284 width=521) (actual time=2.127..1072.159 rows=1637 loops=3)
                     Recheck Cond: (to_tsvector('jiebacfg'::regconfig, content_chunk) @@ to_tsquery('''wal'' | ''日志'' | ''堆积'''::text))
                     Heap Blocks: exact=1028
                     ->  Bitmap Index Scan on embedding_content_gin  (cost=0.00..54.56 rows=5481 width=0) (actual time=0.808..0.809 rows=4910 loops=1)
                           Index Cond: (to_tsvector('jiebacfg'::regconfig, content_chunk) @@ to_tsquery('''wal'' | ''日志'' | ''堆积'''::text))
 Planning Time: 0.459 ms
 Execution Time: 1081.547 ms
(16 rows)

Dizin karşılaştırma özeti:

İçerik anahtar kelime tabanlı geri alım için RUM dizinini (embedding_rumidx) kullanın. Bu yöntem, saklanan sütundaki GIN yaklaşımından 4 kat, ifade üzerindeki GIN yaklaşımından ise 300 kat daha hızlıdır.

BM25 tabanlı geri alım

BM25, belgeleri terim sıklığı (TF) ve ters belge sıklığı (IDF) temelinde puanlayan klasik bir metin eşleştirme algoritmasıdır. Yüksek TF puanı, bir kelimenin bir belgede sık geçtiğini gösterir. Yüksek IDF puanı, bir kelimenin az sayıda belgede geçtiğini ve dolayısıyla daha ayırt edici olduğunu gösterir.

BM25, geri alım kalitesini iyileştirmek için ek parametrelerle TF-IDF modelini optimize eder. Çıktısı, ts_rank tabanlı anahtar kelime geri alımını tamamlar; çünkü her ikisi de terim istatistiklerinde çalışır ancak ağırlık faktörlerini farklı şekilde değerlendirir.

Gömme tabanlı geri alım

ApsaraDB RDS for PostgreSQL, vektör depolama ve benzerlik araması için pgvector uzantısını ve metinden gömme oluşturmak için rds_embedding uzantısını destekler.

pgvector uzantısı, yaklaşık en yakın komşu (ANN) araması için iki dizinleme yöntemi destekler:

• HNSW (Hiyerarşik Gezilebilir Küçük Dünya) — veriler eklendikçe dizini artımlı olarak oluşturur; eğitim gerekmez; daha hızlı sorgu hızı

• IVFFlat (Düz Sıkıştırmalı Ters Dosya) — oluşturulmadan önce mevcut veriler üzerinde eğitim gerektirir; biraz daha düşük sorgu hızı

Bu kılavuz, ön eğitim olmadan çalışan ve daha hızlı geri alım sağlayan HNSW'yi kullanır. IVFFlat en iyi uygulamaları için bkz. ApsaraDB RDS for PostgreSQL üzerinde LLM odaklı özel bir sohbet botu oluşturma.

SELECT
    embedding.id,
    doc_id,
    content_chunk,
    content_embedding <=> '%s' AS similarity
FROM
    public.embedding
LEFT JOIN
    document ON document.id = embedding.doc_id
WHERE
    product_name = '%s'
ORDER BY
    similarity
LIMIT %s;

pgvector performans karşılaştırmaları için bkz. Yüksek boyutlu vektör benzerlik aramaları gerçekleştirmek için pgvector uzantısını kullanma.

prompt = f\'\'\'请整理并格式化下面的内容并整理输出格式，
        {prompt_content}
        基于自己的能力做出回答，我的问题是：{question}。
        \'\'\'

-- The text that you want to query.
WITH query AS (
    SELECT \'介绍一下postgresql\' AS query_text
),
-- Convert the question into an embedding. Replace sk-**** with the API key obtained from Alibaba Cloud Model Studio.
query_embedding AS (
    SELECT rds_embedding.get_embedding_by_model(\'dashscope\', \'sk-****\', query.query_text)::real[]::vector AS embedding
    FROM query
),
-- Document keyword search: score by ts_rank (higher = better match).
first_method AS (
    SELECT
        id,
        title,
        ts_rank(to_tsvector(\'jiebacfg\', doc.key_word),
                to_tsquery(replace(text(plainto_tsquery(\'jiebacfg\', (SELECT query_text FROM query))), \'&\', \'|\'))) AS score,
        \'doc_key_word\' AS method
    FROM doc
    WHERE
        to_tsvector(\'jiebacfg\', doc.key_word) @@
        to_tsquery(replace(text(plainto_tsquery(\'jiebacfg\', (SELECT query_text FROM query))), \'&\', \'|\'))
    ORDER BY
        score DESC
    LIMIT 3
),
-- Content keyword search: score by RUM <=> operator (lower = better match).
second_method AS (
    SELECT
        id,
        doc_id,
        content,
        to_tsvector(\'jiebacfg\', content) <=>
        to_tsquery(replace(text(plainto_tsquery(\'jiebacfg\', (SELECT query_text FROM query))), \'&\', \'|\')) AS score,
        \'content_key_word\' AS method
    FROM embed
    WHERE
        to_tsvector(\'jiebacfg\', content) @@
        to_tsquery(replace(text(plainto_tsquery(\'jiebacfg\', (SELECT query_text FROM query))), \'&\', \'|\'))
    ORDER BY
        score
    LIMIT 3
),
-- Embedding search: score by cosine distance <=> (lower = better match).
third_method AS (
    SELECT
        embed.id,
        embed.doc_id,
        embed.content,
        embedding <=> (SELECT embedding FROM query_embedding LIMIT 1) AS score,
        \'embedding\' AS method
    FROM embed
    ORDER BY score
    LIMIT 3
)
-- Join to retrieve document titles and combine results from all three methods.
SELECT
    first_method.title,
    embed.id AS chunk_id,
    SUBSTRING(embed.content FROM 1 FOR 30),
    first_method.score,
    first_method.method
FROM first_method
LEFT JOIN embed ON first_method.id = embed.doc_id
UNION
SELECT
    doc.title,
    second_method.id AS chunk_id,
    SUBSTRING(second_method.content FROM 1 FOR 30),
    second_method.score,
    second_method.method
FROM second_method
LEFT JOIN doc ON second_method.doc_id = doc.id
UNION
SELECT
    doc.title,
    third_method.id AS chunk_id,
    SUBSTRING(third_method.content FROM 1 FOR 30),
    third_method.score,
    third_method.method
FROM third_method
LEFT JOIN doc ON third_method.doc_id = doc.id
ORDER BY method, score;

     title      | chunk_id |                          substring                           |        score         |      method
----------------+----------+--------------------------------------------------------------+----------------------+------------------
 PostgreSQL介绍 |        3 | PostgreSQL是最初的伯克利代码的开源继承者。 它支持大           |   13.159472465515137 | content_key_word
 PostgreSQL介绍 |        2 | PostgreSQL是以加州大学伯克利分校计算机系开发的PO             |     16.4493408203125 | content_key_word
 PostgreSQL介绍 |        4 | 并且，因为自由宽松的许可证，任何人都可以以任何目的免费使用、 |     16.4493408203125 | content_key_word
 PostgreSQL介绍 |        6 | 丰富的生态系统：有大量现成的插件和扩展可供使用，比如Post     | 0.020264236256480217 | doc_key_word
 PostgreSQL介绍 |        5 | Ganos插件和PostGIS插件不能安装在同一个Schem                  | 0.020264236256480217 | doc_key_word
 PostgreSQL介绍 |        3 | PostgreSQL是最初的伯克利代码的开源继承者。 它支持大           | 0.020264236256480217 | doc_key_word
 PostgreSQL介绍 |        2 | PostgreSQL是以加州大学伯克利分校计算机系开发的PO             | 0.020264236256480217 | doc_key_word
 PostgreSQL介绍 |        4 | 并且，因为自由宽松的许可证，任何人都可以以任何目的免费使用、 | 0.020264236256480217 | doc_key_word
 PostgreSQL介绍 |        2 | PostgreSQL是以加州大学伯克利分校计算机系开发的PO             |   0.2546271233144539 | embedding
 PostgreSQL介绍 |        3 | PostgreSQL是最初的伯克利代码的开源继承者。 它支持大           |  0.28679098231865074 | embedding
 PostgreSQL介绍 |        6 | 丰富的生态系统：有大量现成的插件和扩展可供使用，比如Post     |  0.41783296077761967 | embedding

İlgili konular

RAG'de ApsaraDB RDS for PostgreSQL en iyi uygulamaları hakkında daha fazla bilgi için aşağıdaki konulara bakın:

• ApsaraDB RDS for PostgreSQL kullanarak LLM odaklı özel bir sohbet botu oluşturma

• PAI'nin EAS modülünü ve ApsaraDB RDS for PostgreSQL'i kullanarak RAG tabanlı bir LLM sohbet botu dağıtma