MaxKB समीक्षा: क्या यह ओपन-सोर्स RAG स्टैक उत्पादन के लिए तैयार है?
अद्यतन 22 सित. 2025 को
9 मिनट
MaxKB समीक्षा: क्या यह ओपन-सोर्स RAG स्टैक प्रोडक्शन के लिए तैयार है?
यदि आपने कभी अपने LLM प्रोजेक्ट पर रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) को जोड़ने की कोशिश की है, तो आप ड्रिल जानते हैं: वेक्टर डेटाबेस, चंकिंग रणनीतियाँ, कनेक्टर्स, प्रॉम्प्ट्स, और एक अंतहीन लूप "मॉडल फिर से मतिभ्रम क्यों कर रहा है?" MaxKB इस अराजकता में एक बोल्ड वादे के साथ उतरता है: एक सुव्यवस्थित, ओपन-सोर्स ज्ञान आधार जो RAG के साथ AI सहायकों का निर्माण और परिनियोजन न केवल संभव बनाता है - बल्कि व्यावहारिक भी।
इस विश्लेषणात्मक और रणनीतिक MaxKB समीक्षा में, हम गहराई से जानेंगे कि यह क्या अच्छा करता है, यह कहाँ कम पड़ता है, यह किसके लिए है, और क्या यह आज आपके स्टैक के लिए तैयार है।
MaxKB क्या है? एक त्वरित प्राइमर
- MaxKB ज्ञान आधार और RAG-संचालित सहायकों के निर्माण के लिए एक ओपन-सोर्स प्लेटफ़ॉर्म है। इसे सामग्री को अंतर्ग्रहण करने, चंकिंग, एम्बेडिंग, पुनर्प्राप्त करने और एक मॉडल को प्रॉम्प्ट करने के लिए एक प्रबंधित मचान परत के रूप में सोचें।
- यह आम तौर पर कई डेटा स्रोतों (डॉक्स, वेबपेज, PDF), वेक्टर एम्बेडिंग और पुनर्प्राप्ति + जनरेशन के लिए कॉन्फ़िगर करने योग्य पाइपलाइनों का समर्थन करता है।
- लक्ष्य: आपकी सामग्री और आपके LLM उत्तर इंजन के बीच गोंद कोड को कम करना, ताकि आप तेज़ी से शिप कर सकें।
यह MaxKB समीक्षा खरीदार के दृष्टिकोण पर केंद्रित है: सुविधाएँ, आर्किटेक्चर, देव अनुभव, प्रदर्शन संबंधी विचार और स्टार्टअप बनाम उद्यम के लिए फ़िट।
फ़ैसला
- उन टीमों के लिए उत्कृष्ट जो समझदार डिफ़ॉल्ट और मॉड्यूलरिटी के साथ एक ओपन-सोर्स RAG स्टैक चाहते हैं।
- उत्पादन पायलटों और आंतरिक एजेंटों के लिए पर्याप्त अच्छा यदि आप कुछ ट्यूनिंग कार्य स्वीकार करते हैं।
- आदर्श नहीं यदि आपको बॉक्स से बाहर भारी उद्यम अनुपालन या अतिरिक्त इंजीनियरिंग के बिना उच्च-ट्रैफ़िक, कम-विलंबता, बहु-किरायेदार SLA की आवश्यकता है।
RAG समस्या जिसे MaxKB हल करने की कोशिश करता है
RAG आरेखों में भ्रामक रूप से सरल है और उत्पादन में दर्दनाक रूप से जटिल है:
- डेटा विखंडन: PDF, विकी, टिकट, उत्पाद दस्तावेज़ - सभी अलग-अलग प्रारूपों में।
- इंडेक्स गुणवत्ता: चंक आकार, ओवरलैप, एम्बेडिंग मॉडल और मेटाडेटा टैगिंग।
- संदर्भ चयन: प्रॉम्प्ट को बाढ़ किए बिना प्रासंगिक स्निपेट्स को पुनर्प्राप्त करना।
- मूल्यांकन: विश्वसनीयता, ग्राउंडिंग और कार्य सफलता को मापना।
MaxKB का दांव: टीमों को अंतर्ग्रहण → इंडेक्सिंग → पुनर्प्राप्ति → जनरेशन को संभालने का एक एकीकृत तरीका दें, प्रत्येक चरण के लिए नॉब्स और विशिष्ट फ़ुटगन से बचने के लिए गार्डरेल के साथ।
मुख्य विशेषताएं: MaxKB कहाँ खड़ा है
1) अंतर्ग्रहण जो आपसे लड़ता नहीं है
- फ़ाइल प्रारूप: PDF, DOCX, HTML, Markdown, और संभवतः संरचित इनपुट के लिए CSV/JSON।
- वेब कनेक्टर्स: URL को क्रॉल या फ़ेच करें; जीवित डॉक्स के लिए रीफ़्रेश शेड्यूल करें।
- मेटाडेटा निष्कर्षण: ऑटो-टाइटल, हेडिंग और सिमेंटिक सेक्शन जो पुनर्प्राप्ति में सुधार करते हैं।
यह क्यों मायने रखता है: अधिकांश RAG विफलताएँ अंतर्ग्रहण पर शुरू होती हैं। इस MaxKB समीक्षा में, अंतर्ग्रहण पाइपलाइन इसे आज़माने का एक मजबूत कारण है।
2) समझदार चंकिंग और एम्बेडिंग डिफ़ॉल्ट
- इंडेक्सिंग से पहले पूर्वावलोकन के साथ कॉन्फ़िगर करने योग्य चंक आकार/ओवरलैप।
- लागत/गुणवत्ता को फ़िट करने के लिए प्लग करने योग्य एम्बेडिंग मॉडल (ओपन-सोर्स और होस्ट किए गए विकल्प)।
- नेमस्पेस/संग्रह समर्थन ताकि कई ज्ञान आधार एक साथ न मिलें।
यह शुरुआती चरण के अनुमान को कम करता है और आपको जल्दी से एक कार्यशील बेसलाइन तक पहुंचने में मदद करता है।
3) पुनर्प्राप्ति जो परिशुद्धता और रिकॉल को संतुलित करती है
- हाइब्रिड खोज: दस्तावेज़ प्रकारों में बेहतर ग्राउंडिंग के लिए वेक्टर + कीवर्ड/BM25।
- फ़िल्टर: सामग्री को प्रतिबंधित या प्राथमिकता देने के लिए मेटाडेटा, टैग और स्रोत।
- पुनः प्रशिक्षण के बिना उत्तर गुणवत्ता में सुधार करने के लिए टॉप-k और री-रैंकिंग नॉब्स।
शुद्ध प्रभाव संदर्भ विंडो पर बेहतर नियंत्रण और कम जंक उद्धरण है।
4) प्रॉम्प्ट ऑर्केस्ट्रेशन और टेम्पलेट
- कार्य या सहायक प्रति पुन: प्रयोज्य प्रॉम्प्ट टेम्पलेट।
- टोन और बाधाओं को बनाए रखने के लिए सिस्टम बनाम उपयोगकर्ता प्रॉम्प्ट पृथक्करण।
- सत्यापन योग्य आउटपुट को प्रोत्साहित करने के लिए उद्धरण और स्रोत लिंकिंग।
प्लेटफ़ॉर्म में निर्मित प्रॉम्प्ट अनुशासन का होना रखरखाव के लिए एक बड़ी जीत है।
5) मूल्यांकन और निगरानी (कम करके आंका गया बिट)
- उत्तर स्कोरिंग: बुनियादी विश्वसनीयता/ग्राउंडिंग हेयुरिस्टिक्स या LLM-आधारित ग्रेडर।
- फ़ीडबैक लूप: थम्ब्स अप/डाउन या रूब्रिक-आधारित मानव समीक्षा।
- अवलोकनीयता: विलंबता, टोकन उपयोग, क्वेरी प्रति पुनर्प्राप्ति आँकड़े।
यह डेमो से भरोसेमंद होने के लिए महत्वपूर्ण है।
आर्किटेक्चर और स्टैक फ़िट
MaxKB आम तौर पर आधुनिक AI इन्फ्रा के साथ अच्छी तरह से काम करता है:
- वेक्टर डेटाबेस: संभवतः लोकप्रिय स्टोर का समर्थन करता है (उदाहरण के लिए, pgvector, Milvus, Qdrant)। यदि आपका संगठन पहले से ही एक चलाता है, तो प्रतिबद्ध करने से पहले समर्थन की जाँच करें।
- मॉडल लचीलापन: OpenAI/Anthropic/Google API या Ollama/vLLM के माध्यम से स्व-होस्ट किए गए ओपन मॉडल की ओर इशारा करें।
- API: ऐप्स या आंतरिक टूल में सहायकों को एकीकृत करने के लिए REST या GraphQL एंडपॉइंट।
प्लेटफ़ॉर्म मॉड्यूलर है: आप सब कुछ फिर से लिखे बिना एम्बेडिंग से लेकर री-रैंकर तक, टुकड़ों को स्केल करते समय स्वैप कर सकते हैं।
सेटअप अनुभव: शून्य से पहले उत्तर तक
यहाँ वह विशिष्ट पथ है जो आप लेंगे:
- स्पिन अप MaxKB (Docker आम है)। अपने एम्बेडिंग + LLM प्रदाताओं को कॉन्फ़िगर करें।
- एक ज्ञान आधार बनाएँ (उत्पाद दस्तावेज़, नीतियाँ, बिक्री संपार्श्विक, आदि)।
- डेटा अंतर्ग्रहण करें (फ़ाइलें अपलोड करें, URL/रेपो कनेक्ट करें, स्रोत टैग करें)।
- चंकिंग को ट्यून करें (10–20% ओवरलैप के साथ 500–800 टोकन पर शुरू करें; दस्तावेज़ प्रकार के अनुसार समायोजित करें)।
- इंडेक्स और टेस्ट प्रतिनिधि प्रश्नों के एक छोटे सेट का उपयोग करके पुनर्प्राप्ति गुणवत्ता।
- सुरक्षित निर्देशों और उद्धरण आवश्यकताओं के साथ प्रॉम्प्ट डिज़ाइन करें।
- उपयोगकर्ताओं के एक सबसेट को एक पायलट शिप करें; फ़ीडबैक एकत्र करें और पुनर्प्राप्ति आँकड़ों की निगरानी करें।
यह ऑनबोर्डिंग देव टीमों और पावर उपयोगकर्ताओं के लिए सीधा लगता है।
वास्तविक दुनिया के उपयोग के मामले
- ग्राहक सहायता कोपिलॉट: सहायता केंद्रों और टिकट इतिहास से सटीक उत्तर प्राप्त करें।
- बिक्री सक्षम करना: नवीनतम उत्पाद शीट और मूल्य निर्धारण स्पष्टीकरण को प्रतिनिधियों की उंगलियों पर रखें।
- आंतरिक नीति बॉट: क्षेत्र या भूमिका द्वारा हार्ड फ़िल्टर के साथ HR, कानूनी, अनुपालन दस्तावेज़।
- डेवलपर सहायक: README, ADR और रनबुक को इंडेक्स करें; सटीक फ़ाइलें और कमिट उद्धृत करें।
- फ़ील्ड ज्ञान ऐप्स: कॉम्पैक्ट स्थानीय मॉडल द्वारा समर्थित ऑफ़लाइन-लीनिंग परिनियोजन।
प्रत्येक परिदृश्य में, ज्ञान को विभाजित करने और स्रोत दृश्यता को लागू करने की MaxKB की क्षमता महत्वपूर्ण है।
प्रदर्शन: क्या उम्मीद करें
- विलंबता: मुख्य रूप से आपके मॉडल होस्ट और री-रैंकिंग द्वारा संचालित। कैशिंग के साथ, सब-सेकंड पुनर्प्राप्ति + होस्ट किए गए API के लिए 1–3s जनरेशन आम है।
- गुणवत्ता: मजबूत जब दस्तावेज़ अच्छी तरह से संरचित और चंक किए जाते हैं; शोर वाले PDF पर खराब हो जाता है जब तक कि आप अंतर्ग्रहण के दौरान साफ़ न करें।
- लागत: एम्बेडिंग अपफ्रंट पर हावी है; जनरेशन चल रहे पर हावी है। हाइब्रिड खोज संदर्भ टोकन को कम कर सकती है।
टिप: एक हल्के री-रैंकर को जोड़ें और तेज़, अधिक विश्वसनीय उत्तरों के लिए टॉप-k को छोटा (3–5) रखें।
MaxKB कहाँ चमकता है
- ओपन-सोर्स नियंत्रण: स्व-होस्ट, निरीक्षण और विस्तार करें।
- राय वाले डिफ़ॉल्ट: प्रोटोटाइप से पायलट तक तेज़।
- स्पष्ट पुनर्प्राप्ति नियंत्रण: फ़िल्टर, टॉप-k और री-रैंकिंग जो वास्तव में मायने रखते हैं।
- अंतर्निहित मूल्यांकन: आपके RAG को समय के साथ ईमानदार रखता है।
MaxKB कहाँ कम पड़ता है
- उद्यम सख्त करना: SSO, SCIM, ऑडिट लॉगिंग और डेटा निवास के लिए अतिरिक्त काम की आवश्यकता हो सकती है।
- जटिल पाइपलाइन: बहु-किरायेदार, क्रॉस-भूगोल या सख्त PII हैंडलिंग को अभी भी कस्टम कोड की आवश्यकता है।
- उन्नत विश्लेषण: आप अंतर्निहित डैशबोर्ड से आगे निकल सकते हैं और अपनी झील/BI में निर्यात कर सकते हैं।
- कोई जादुई गोली नहीं: खराब संरचित सामग्री अभी भी औसत दर्जे के उत्तर देगी।
MaxKB विकल्पों की तुलना कैसे करता है
- LangChain + आपका अपना स्टैक: अधिकतम लचीलापन, अधिकतम कार्य। MaxKB उपयोग करने योग्य होने के लिए तेज़ है।
- LlamaIndex: कोड में RAG रचना के लिए बढ़िया। MaxKB अधिक आउट-ऑफ-द-बॉक्स UX और शासन प्रदान करता है।
- वेक्टर DB-देशी ऐप्स (उदाहरण के लिए, Qdrant Console, Milvus टूलिंग): मजबूत इंडेक्सिंग, प्रॉम्प्ट ऑर्केस्ट्रेशन और मूल्यांकन पर कम ध्यान केंद्रित करना।
- वाणिज्यिक RAG प्लेटफ़ॉर्म: समृद्ध अनुपालन और व्यवस्थापक सुविधाएँ, लेकिन मालिकाना और अधिक महंगे। MaxKB एक बजट-अनुकूल ऑन-रैंप है।
मूल्य निर्धारण और TCO विचार
- सॉफ़्टवेयर: ओपन-सोर्स लाइसेंस लागत को कम करता है लेकिन आपके इन्फ्रा और ऑप्स पर बोझ डालता है।
- कम्प्यूट: एम्बेडिंग (बैच) + अनुमान (चल रहा)। री-इंडेक्स के दौरान स्पाइक्स की अपेक्षा करें।
- लोग: आपको अभी भी डेटा स्वच्छता, प्रॉम्प्ट रणनीति और मूल्यांकन के लिए एक स्वामी की आवश्यकता होगी।
एक यथार्थवादी पथ: कम लागत वाले होस्ट किए गए LLM पर शुरू करें, चंकिंग को मानकीकृत करें, और केवल उपयोग बढ़ने पर इन्फ्रा को स्केल करें।
सुरक्षा और शासन
- पहुंच नियंत्रण: उद्यम में प्रति-संग्रह या प्रति-स्रोत अनुमतियाँ आवश्यक हैं। भूमिका-आधारित पहुंच और ऑडिट ट्रेल्स को सत्यापित करें।
- PII और रहस्य: अंतर्ग्रहण पर मास्क करें, पुनर्प्राप्ति में संपादित करें, और प्रॉम्प्ट को सावधानीपूर्वक लॉग करें।
- अलगाव: यदि बहु-किरायेदार है, तो सुनिश्चित करें कि इंडेक्स और कैश पूरी तरह से अलग हैं।
सुरक्षा मुद्रा परिनियोजन के अनुसार अलग-अलग होगी; उत्पादन से पहले नियंत्रण समीक्षा करने की अपेक्षा करें।
डेवलपर अनुभव: अमूर्त चीजें
- API जो मानसिक मॉडल पर मैप करते हैं: KB बनाएँ → अंतर्ग्रहण करें → इंडेक्स करें → क्वेरी करें → मूल्यांकन करें।
- CLI/SDK: स्वचालन, CI पाइपलाइनों और बल्क बैकफ़िल को गति दें।
- विस्तारशीलता: अपने स्वयं के एम्बेडिंग, री-रैंकर और गार्डरेल लाएँ।
यहाँ छोटे स्पर्श अक्सर यह निर्धारित करते हैं कि टीमें प्लेटफ़ॉर्म के साथ चिपके रहती हैं या नहीं।
कार्यान्वयन प्लेबुक: पायलट से उत्पादन तक
- उच्च-मूल्य वाली क्वेरी परिभाषित करें: 20–50 प्रश्न जो वास्तविक कार्यों का प्रतिनिधित्व करते हैं।
- बैकटेस्ट पुनर्प्राप्ति: जमीनी-सत्य उत्तरों के विरुद्ध परिशुद्धता/रिकॉल।
- दस्तावेज़ प्रकार के अनुसार चंकिंग को ट्यून करें: लंबी मैनुअल बनाम छोटी FAQ।
- हाइब्रिड खोज जोड़ें: सटीक शब्दों और समानार्थक शब्दों को पकड़ें।
- एक री-रैंकर पेश करें: शीर्ष मार्ग के क्रम में सुधार करें।
- उद्धरण लागू करें: शुरुआती चरणों में स्रोतों के बिना उत्तरों को ब्लॉक करें।
- फ़ीडबैक एकत्र करें: कारणों के साथ थम्ब्स को पेयर करें (पुराना, गलत स्रोत, अधूरा)।
- रीफ़्रेश को स्वचालित करें: क्रॉल और री-इंडेक्स शेड्यूल करें; बहाव की निगरानी करें।
- PII की सुरक्षा करें: पूर्व-अंतर्ग्रहण स्क्रबिंग; यदि आवश्यक हो तो पीढ़ी के बाद संपादन।
- SLO सेट करें: विलंबता, उत्तर देने की क्षमता और ग्राउंडेडनेस लक्ष्य।
इस ताल का पालन करें और आपका MaxKB परिनियोजन जल्दी से सख्त हो जाएगा।
MaxKB का उपयोग किसे करना चाहिए?
- स्टार्टअप और स्केल-अप सीमित इन्फ्रा बजट के साथ समर्थन या बिक्री सहायक बनाना।
- मध्य-बाजार टीमें RAG को फिर से आविष्कार किए बिना ओपन-सोर्स नियंत्रण चाहना।
- देव-प्रथम संगठन जो मॉड्यूलरिटी को महत्व देते हैं और पाइपलाइनों को ट्यून करने में सहज हैं।
किसे कहीं और देखना चाहिए: भारी विनियमित उद्यम पहले दिन प्रमाणित अनुपालन सूट की मांग करते हैं।
सड़क के रोड़े जिनसे आप संभवतः टकराएंगे (और उन्हें कैसे हल करें)
- पुनर्प्राप्ति के बावजूद मतिभ्रम: टॉप-k को कस लें, री-रैंकिंग जोड़ें, और जब कोई अच्छा संदर्भ न हो तो इनकार नियमों के साथ सख्त प्रॉम्प्ट का उपयोग करें।
- शोर वाले PDF पुनर्प्राप्ति को बर्बाद कर रहे हैं: OCR सफाई और संरचना पहचान के साथ पूर्व-संसाधित करें; पाठ से तालिकाओं को विभाजित करें।
- उपयोगकर्ता सारांश चाहते हैं, उद्धरण नहीं: दोनों प्रदान करें। पहले उत्तर दें, फिर संक्षिप्त स्रोत।
- विलंबता स्पाइक्स: एम्बेडिंग और पुनर्प्राप्ति परिणामों को कैश करें; संदर्भ आकार सीमित करें; पहले टोकन के लिए तेज़ मॉडल पसंद करें।
वैसे: RAG पुनरावृत्ति को गति देना
ध्यान देने योग्य: यदि आप प्रॉम्प्ट को दोहरा रहे हैं, उत्तर विश्वसनीयता का मूल्यांकन कर रहे हैं, या ज्ञान-आधार क्यूरेशन पर सहयोग कर रहे हैं, तो लूप को छोटा करने वाले टूल खुद के लिए भुगतान करते हैं। Sider.ai जैसा एक कार्यक्षेत्र टीमों को आउटपुट एनोटेट करने, प्रॉम्प्ट की साइड से साइड तुलना करने और पुनरुत्पादनीय प्रयोगों को साझा करने में मदद कर सकता है - MaxKB की पुनर्प्राप्ति और प्रॉम्प्ट को संस्करण इतिहास खोए बिना ट्यून करते समय उपयोगी।
इस MaxKB समीक्षा का निचला रेखा
MaxKB RAG के लिए एक व्यावहारिक, ओपन-सोर्स मार्ग प्रदान करता है जिसमें टीमों को उत्पादक रखने के लिए पर्याप्त संरचना और बढ़ने के लिए पर्याप्त लचीलापन है। यह बॉक्स से बाहर शासन-भारी चेकलिस्ट को हल नहीं करेगा, और आपको अभी भी डेटा स्वच्छता और मूल्यांकन का कठिन काम करने की आवश्यकता होगी। लेकिन अधिकांश टीमों के लिए जो एक विश्वसनीय ज्ञान सहायक को खड़ा करने की कोशिश कर रही हैं, यह एक बहुत ही विश्वसनीय शुरुआती बिंदु है - जिसे आप वास्तव में शिप कर सकते हैं।
कार्रवाई योग्य अगले कदम
- एकल, अच्छी तरह से संरचित कॉर्पस (उदाहरण के लिए, उत्पाद दस्तावेज़) पर MaxKB का पायलट करें।
- 30–50 मुख्य प्रश्नों के विरुद्ध उत्तर देने की क्षमता और ग्राउंडेडनेस को मापें।
- हाइब्रिड खोज और एक कॉम्पैक्ट री-रैंकर जोड़ें; उद्धरण लागू करें।
- मानव फ़ीडबैक और अनुसूचित री-इंडेक्सिंग में परत।
- केवल तभी नए दस्तावेज़ प्रकारों और दर्शकों के लिए विस्तार करें।
FAQ
Q1: MaxKB क्या है और यह RAG का समर्थन कैसे करता है?
MaxKB एक ओपन-सोर्स ज्ञान आधार प्लेटफ़ॉर्म है जो अंतर्ग्रहण, चंकिंग, एम्बेडिंग, पुनर्प्राप्ति और प्रॉम्प्ट को संभालकर रिट्रीवल-ऑगमेंटेड जनरेशन को सुव्यवस्थित करता है। यह टीमों को उद्धरण और मॉड्यूलर घटकों के साथ ग्राउंडेड AI सहायक बनाने में मदद करता है।
Q2: क्या MaxKB उत्पादन उपयोग के लिए अच्छा है?
MaxKB चंकिंग, पुनर्प्राप्ति और प्रॉम्प्ट की उचित ट्यूनिंग के साथ उत्पादन पायलटों और आंतरिक सहायकों का समर्थन कर सकता है। सख्त उद्यम अनुपालन और बहु-किरायेदार SLA के लिए, आपको अतिरिक्त टूलिंग और नियंत्रण की आवश्यकता हो सकती है।
Q3: MaxKB LangChain या LlamaIndex की तुलना कैसे करता है?
LangChain और LlamaIndex कोड-प्रथम रचना और चरम लचीलापन प्रदान करते हैं, लेकिन अधिक इंजीनियरिंग की आवश्यकता होती है। MaxKB UX, पुनर्प्राप्ति नियंत्रण और मूल्यांकन सुविधाओं के साथ एक राय वाला, आउट-ऑफ-द-बॉक्स अनुभव प्रदान करता है।
Q4: MaxKB उत्तर गुणवत्ता में सुधार करने के लिए सबसे अच्छे अभ्यास क्या हैं?
हाइब्रिड खोज का उपयोग करें, टॉप-k को छोटा (3–5) रखें, एक री-रैंकर जोड़ें और उद्धरण लागू करें। शोर वाले PDF को साफ़ करें, दस्तावेज़ प्रकार के अनुसार चंक आकार और ओवरलैप को ट्यून करें और उपयोगकर्ताओं से संरचित फ़ीडबैक एकत्र करें।
Q5: क्या मैं MaxKB के साथ अपने स्वयं के LLM और वेक्टर डेटाबेस का उपयोग कर सकता हूँ?
हाँ। MaxKB आमतौर पर मॉड्यूलर होता है और आपको होस्ट किए गए मॉडल या स्व-होस्ट किए गए ओपन मॉडल, साथ ही आपके सेटअप के आधार पर pgvector, Milvus या Qdrant जैसे लोकप्रिय वेक्टर डेटाबेस से कनेक्ट करने देता है।
हाल की लेख
कैसे करें ChatPDF में महारत: घने दस्तावेज़ों से तेजी से जानकारी प्राप्त करें
तेज़ और सटीक दस्तावेज़ों के लिए सर्वश्रेष्ठ X Auto-Translation विकल्प
ईरान में Samsung AI अनुवाद उपलब्ध नहीं? व्यावहारिक समाधान
फ़ारसी अनुवाद उपकरण: तेज़ और सटीक काम के लिए एक व्यावहारिक मार्गदर्शिका
गहराई से संदर्भित अनुसंधान के लिए सर्वश्रेष्ठ Grok विकल्प
AI इमेज जेनरेटर की 15 बेहतरीन विशेषताएं जिनका आप वास्तव में उपयोग करेंगे