В этом уроке подробно разбирается, как сделать ИИ-агентов более эффективными с помощью метаданных. Автор показывает процесс обогащения текстовых фрагментов дополнительной информацией (таймкоды, ссылки, заголовки), что позволяет агенту не просто отвечать на вопросы, но и предоставлять точные ссылки на источники. В практической части демонстрируется создание автоматизированного пайплайна в n8n для скрапинга, обработки и управления векторной базой данных.
00:00–01:11 Введение и демонстрация — Показ работы RAG-агента, который выдает ответы с кликабельными ссылками на конкретные моменты YouTube-видео.
01:11–03:44 Почему метаданные важны — Теоретический разбор векторизации и роли «данных о данных» для организации и фильтрации контекста.
03:44–04:29 Структура в Supabase — Визуальный обзор того, как выглядят фрагменты контента и связанные с ними метаданные в базе.
04:29–05:52 Скрапинг транскриптов — Использование инструментов Apify для извлечения текста и временных меток из видео.
05:52–07:59 Обработка данных через Claude — Написание JS-кода с помощью ИИ для группировки мелких объектов транскрипта в логические блоки с сохранением таймкодов.
08:00–10:28 Векторизация и загрузка — Настройка ноды Supabase для записи текста и трех фильтров метаданных.
10:29–12:05 Фильтрация по метаданным — Техника ограничения поиска ИИ только по конкретному документу или видео.
12:05–15:13 Удаление данных — Создание системы автоматического удаления векторов из…
🔒
Этот материал доступен участникам Клуба. Войдите или оформите доступ,
чтобы читать целиком, открывать видео и комментировать.