rag.py

RAG komplett in einer Datei: Embeddings erzeugen, in pgvector speichern, Suche als Agent-Tool bereitstellen.

Für wen: Kompaktes RAG-Referenzbeispiel ohne Framework-Ballast.

So nutzt du es

Lauffähige Python-Beispiele: Datei herunterladen, pip install pydantic-ai und mit gesetztem API-Key ausführen. Gut kommentierter Einstieg in typsichere Agenten.

Im Detail

rag.py zeigt Retrieval-Augmented Generation ohne Framework-Overhead in einer einzigen Datei: Texte werden in Embeddings umgewandelt, in einer PostgreSQL-Datenbank mit pgvector abgelegt und die Suche darüber als Tool an einen pydantic-ai-Agent angebunden. Der Nutzen gegenüber größeren RAG-Frameworks liegt in der Nachvollziehbarkeit – jeder Schritt von Embedding bis Tool-Aufruf ist direkt im Code sichtbar und leicht anpassbar. Geeignet für Entwickler, die verstehen wollen, was unter der Haube eines RAG-Systems passiert, oder die eine schlanke Eigenimplementierung statt eines schweren Frameworks suchen. Voraussetzung ist, dass Sie bereits eine PostgreSQL-Instanz mit pgvector-Erweiterung betreiben oder bereit sind, diese aufzusetzen.

Praxis-Tipp

Als Ausgangspunkt eigene Dokumente statt der Beispieldaten einlesen und die Chunk-Größe an die Länge Ihrer Texte anpassen, bevor Sie embedden.

Siehe auch

• sql_gen.py
• bank_support.py
• pydantic_model.py

Lizenz & Quelle

• Lizenz: MIT
• Quelle: pydantic/pydantic-ai

Lade …