While tools like | Langchain and LlamaIndex | make it easy to
Mặc dù các công cụ như | Langchain và LlamaIndex | giúp việc triển khai RAG
implement RAG, you | don’t have to | necessarily learn and use
trở nên dễ dàng, bạn | không nhất thiết | phải học và sử dụng
them. | If you | know about the different
chúng. | Nếu bạn | biết về các bước khác nhau
steps of implementing | RAG, you can | simply do it all
của việc triển khai | RAG, bạn có thể | đơn giản tự mình thực hiện
yourself e.g., do | the chunking using | @langchain/textsplitters package, create
tất cả, ví dụ: thực hiện | việc chunking bằng cách sử dụng | gói @langchain/textsplitters, tạo
embeddings using any | LLM e.g., use | OpenAI Embedding API through
các embedding bằng cách sử dụng bất kỳ | LLM nào, ví dụ: sử dụng | OpenAI Embedding API thông qua
their SDK, save | the embeddings to | any vector database e.g.
SDK của họ, lưu | các embedding vào | bất kỳ cơ sở dữ liệu vector nào, ví dụ:
if you are | using Supabase Vector | DB, you can use
nếu bạn đang | sử dụng Supabase Vector | DB, bạn có thể sử dụng
their SDK, and | similarly, you can | use the relevant SDKs
SDK của họ, và | tương tự, bạn có thể | sử dụng các SDK liên quan
for the rest | of the steps | as well. |
cho phần còn lại | của các bước | nữa. |
Resources
- Langchain Text Splitter Package (official)
- OpenAI Embedding API (official)
- Supabase AI & Vector Documentation (official)
References
- https://roadmap.sh/ai-engineer (Node: Using SDKs Directly)