RAG на векторных базах меняет правила AI-копирайтинга: модель...

RAG на векторных базах меняет правила AI-копирайтинга: модель пишет по вашей базе знаний, а не по своей мутной памяти.

Что это

Векторные БД хранят эмбеддинги текста, а поиск идёт по близости векторов запроса и фрагментов.

RAG это схема "извлечь → сгенерировать": сначала достаём релевантные куски, затем генерируем ответ. Похожий принцип используют SGE системы (Google AIO, Яндекс Алиса).

RAG агент — это по сути надстройка для AI, внутри которой RAG работает как модуль (в n8n выглядит так).

Что это даёт

Меньше галлюцинаций, больше конкретики. На моём мини-примере со скрина версия с RAG даёт более предметные шаги для РФ. Без RAG в тексте допускается значительно больше ошибок и начинается сразу с херни про blog.site.ru. Почему? Потому-что ИИ знать не знает про продвижение региональных поддоменов в РФ. А в бурже их используют в основном для мультиязычных версий и выноски блога.

Вывод простой

Вы можете засунуть в БД любую информацию и генерить текст на основе нее. Хотите, чтобы тексты писались только на основе всего справочника компании на 1млн листов, но в промт это не засунуть? Делаете векторную БД, RAG агента и все работает. Да, хоть патенты Goolge засуньте и пишите на них тексты.

Хотите сделать многоэтапную работу с разными базами данных? Делаете так https://skr.sh/sX6EpMZKgFn

А вот тут демонстрация моего RAG агента для генерации контента: t.me/closedchannelkotenkov/36.

Как стартовать без знания программирования

Вам нужно начать изучать следующие темы:

- Изучите что такое эмбеддинги и поиск по сходству

- Освойте n8n

- Изучите подключение SuperBase к n8n

⬇️Если это не слишком душно для вас, то ставьте реации и я доступным языком постараюсь расскать, что такое эмбеддинги, поиск по сходству и так далее.

Источник новости https://t.me/seokotenkov/578...