Короткий обучающий видеоурок по созданию интеллектуального AI-агента на базе технологии RAG (Retrieval Augmented Generation). Автор объясняет концепцию векторных баз данных и показывает пошаговый процесс настройки автоматизации в n8n без использования программирования. В качестве примера создается агент, способный отвечать на вопросы по 22-страничному PDF-файлу с правилами гольфа. В финале рассматривается добавление памяти диалогов с использованием PostgreSQL для сохранения контекста общения.
00:00–01:00 Определение RAG — Автор объясняет, что RAG (Retrieval Augmented Generation) — это процесс поиска внешней информации для формирования точного ответа ИИ.
01:01–01:52 Векторные данные и эмбеддинги — Описание того, как текст превращается в числа (векторы) и размещается в многомерном пространстве в зависимости от его смысла.
01:53–03:16 Схема RAG-пайплайна — Визуализация процесса: загрузка документа → разделение на части (chunking) → эмбеддинг → сохранение в базу.
03:17–04:40 Логика работы агента — Описание того, как поисковый запрос пользователя сравнивается с векторами в базе для извлечения нужного контекста.
04:41–05:52 Источники данных и триггеры — Обзор возможностей использования не только PDF, но и данных из HubSpot, Airtable или электронных писем.
05:53–06:26 Выбор Supabase — Почему Supabase эффективен для работы с векторными данными на базе PostgreSQL.
06:27–07:50 Настройка облачной инфраструктуры — Демонстрация создания проекта в Supabase и подготовки API-ключей.
07:51–10:04 Подключение Google Drive — Настройка n8n для автоматического скачивания PDF-файла из облачного хранилища.
10:05–11:38 Создание векторной таблицы — Инструкция по использованию SQL-редактора для создания таблицы documents с поддержкой векторов.
11:39–14:26 Настройка векторизации — Подключение модели OpenAI (text-embedding) для обработки данных…
🔒
Этот материал доступен участникам Клуба. Войдите или оформите доступ,
чтобы читать целиком, открывать видео и комментировать.