Тема 8 — Основа RAG и векторизация данных

Доступ к полному просмотру и файлам открыт только для активных участников ИИшенка Pro.

Разбираем, как устроен RAG и зачем текст превращают в векторы, а затем на практике загружаем данные в векторную базу Pinecone через n8n. За 13 минут проходим путь от чанков и эмбеддингов до готовых векторов в хранилище.

Чему научишься

Объяснять, что такое RAG, чанки, overlap и эмбеддинги и как по близости векторов находится нужный контекст
Создавать аккаунт и индекс в Pinecone и подключать его к n8n по API-ключу
Собирать workflow из Edit Fields, Pinecone Vector Store, модели эмбеддингов OpenAI и Data Loader
Настраивать разбиение текста на чанки через Character Text Splitter
Выбирать размерность индекса 1536 под модель Text Embedding 3 Small и проверять результат в Pinecone

Тайм-коды

00:00Что такое RAG и зачем нужна векторизация
00:30Теория: чанки, overlap и векторы
02:30Как агент ищет ближайшие векторы и отвечает
04:30Подготовка тестового текста через Edit Fields
05:30Выбор векторной базы: Supabase и Pinecone
06:30Регистрация в Pinecone и нода Pinecone Vector Store
07:35Создание первого индекса
08:30Модель эмбеддингов OpenAI и Data Loader
10:07Настройка Text Splitter: размер чанка и overlap
10:40Исправление: размерность индекса 1536
11:35Запуск workflow и разбор чанков и векторов
12:37Проверка записей в Pinecone и следующий шаг

Проверяем доступ...