<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Pgvector on AI-Uchi — Всё об искусственном интеллекте</title><link>/tags/pgvector/</link><description>Recent content in Pgvector on AI-Uchi — Всё об искусственном интеллекте</description><generator>Hugo</generator><language>ru</language><lastBuildDate>Fri, 03 Apr 2026 18:00:00 +0300</lastBuildDate><atom:link href="/tags/pgvector/index.xml" rel="self" type="application/rss+xml"/><item><title>RAG на практике: поиск по документам с LangChain и pgvector</title><link>/guides/rag-na-praktike-langchain-pgvector-poiskovaia-sistema/</link><pubDate>Fri, 03 Apr 2026 18:00:00 +0300</pubDate><guid>/guides/rag-na-praktike-langchain-pgvector-poiskovaia-sistema/</guid><description>&lt;p&gt;Представьте: у вас 10 000 внутренних документов компании — регламенты, договоры, техническая документация. Сотрудники тратят часы, пытаясь найти нужный пункт. Поиск по ключевым словам не работает — люди спрашивают «как оформить командировку», а документ называется «Положение о служебных поездках».&lt;/p&gt;
&lt;p&gt;RAG (Retrieval-Augmented Generation) решает именно эту проблему. Система понимает смысл вопроса, находит релевантные фрагменты из базы знаний и генерирует точный ответ с указанием источника. В этом руководстве мы построим такую систему с нуля — с реальным кодом, PostgreSQL, pgvector и LangChain.&lt;/p&gt;</description></item></channel></rss>