README
¶
pgvector — RAG с PostgreSQL + pgvector
Интерактивный RAG-чат с pgvector как постоянным векторным хранилищем. Схема БД создаётся автоматически при первом запуске через MigratePGVector (идемпотентно).
Быстрый старт
1. Запустите PostgreSQL с pgvector:
docker compose up -d
2. Запустите пример:
cd examples/pgvector && cp .env.example .env && go run .
Для mock-режима этого достаточно. Для реального LLM задайте LLM_PROVIDER=ollama|openai|anthropic и соответствующие ключи.
Переменные окружения
| Переменная | По умолчанию | Описание |
|---|---|---|
LLM_PROVIDER |
mock |
LLM провайдер (mock, ollama, openai, anthropic) |
EMBEDDING_DIM |
1536 |
Размерность векторов (должна совпадать с моделью) |
PGVECTOR_DSN |
— | Обязательно. DSN для подключения к PostgreSQL |
TABLE_NAME |
draftrag_chunks |
Имя таблицы для хранения чанков |
Для LLM_PROVIDER=ollama:
| Переменная | По умолчанию | Описание |
|---|---|---|
OLLAMA_HOST |
http://localhost:11434 |
URL Ollama |
OLLAMA_EMBED_MODEL |
nomic-embed-text |
Модель эмбеддингов |
OLLAMA_LLM_MODEL |
llama3.2 |
LLM модель |
Для LLM_PROVIDER=openai:
| Переменная | По умолчанию | Описание |
|---|---|---|
OPENAI_API_KEY |
— | Обязательно. API ключ |
OPENAI_BASE_URL |
https://api.openai.com |
Базовый URL |
OPENAI_EMBED_MODEL |
text-embedding-3-small |
Модель эмбеддингов |
OPENAI_LLM_MODEL |
gpt-4o-mini |
LLM модель |
Для LLM_PROVIDER=anthropic:
| Переменная | По умолчанию | Описание |
|---|---|---|
ANTHROPIC_API_KEY |
— | Обязательно. API ключ |
ANTHROPIC_LLM_MODEL |
claude-3-5-sonnet-latest |
LLM модель |
Размерность векторов
Размерность должна соответствовать используемой модели эмбеддингов:
| Модель | EMBEDDING_DIM |
|---|---|
text-embedding-ada-002 |
1536 |
text-embedding-3-small |
1536 |
text-embedding-3-large |
3072 |
nomic-embed-text (Ollama) |
768 |
Если размерность изменилась после первого запуска — нужно пересоздать таблицу или использовать другое TABLE_NAME.
Миграции
MigratePGVector создаёт таблицу и индекс при первом запуске. Повторный запуск безопасен — миграции идемпотентны.
Для production рекомендуется применять SQL-миграции отдельным шагом деплоя:
psql $PGVECTOR_DSN -f pkg/draftrag/migrations/pgvector/0000_pgvector_extension.sql
psql $PGVECTOR_DSN -f pkg/draftrag/migrations/pgvector/0001_chunks_table.sql
psql $PGVECTOR_DSN -f pkg/draftrag/migrations/pgvector/0002_metadata_and_indexes.sql
Локальный режим (Ollama)
ollama pull nomic-embed-text
ollama pull llama3.2
PGVECTOR_DSN="postgres://draftrag:draftrag@localhost:5432/draftrag?sslmode=disable" \
EMBEDDING_DIM=768 \
LLM_PROVIDER=ollama \
OLLAMA_HOST=http://localhost:11434 \
go run ./examples/pgvector/
Documentation
¶
Overview ¶
@sk-task docs-and-examples#T2.2: pgvector example — RAG-чат с PostgreSQL + pgvector (AC-001). Использует публичный API draftrag напрямую. Shared только для mock/print.
Быстрый старт с Docker:
docker compose up -d PGVECTOR_DSN="postgres://draftrag:draftrag@localhost:5432/draftrag?sslmode=disable" \ go run ./examples/pgvector/
Source Files