Підкладка даних і векторна база: навіщо обидві в регульованому ШІ
Векторний пошук знаходить схоже, але не пояснює рішення. Як зберігати версію норми і джерело поруч із відповіддю моделі.
Stuzhuk Lab — Chemistry of Code
Хімія коду
← Усі статті
Тег
Бази даних
Усі статті блогу з цим тегом.
ACL і мультиоренда в RAG: фільтрувати права до пошуку, а не після
Права доступу в промисловому RAG не можна залишати моделі. Як ізолювати орендарів, застосувати список доступу до вилучення, закрити приховані канали витоку і виміряти повноту за жорстких фільтрів.
Як одне з'єднання «вбиває» базу даних
Відкрита транзакція після необробленого винятку блокує міграцію та всю чергу запитів — кейс GitHub і Postgres.
Векторні бази для агентів ШІ у 2026: що важливіше за швидкість ANN
Qdrant, Pinecone, Weaviate, pgvector і Milvus: фільтри, гібридний пошук, мультитенантність і квантування — як обирати сховище пам’яті агента.
Векторні бази даних у промисловому ШІ: шар індексу, пошуку й зберігання
Як обрати й експлуатувати векторну базу: алгоритми пошуку, фільтри, орендарі, PostgreSQL із pgvector проти окремого сховища.
Промислова інженерія RAG у 2026 році: поділ, гібридний пошук, повторне ранжування та оцінювання
Практичний посібник із промислової RAG-архітектури: підготовка даних, поділ документів, гібридний пошук, повторне ранжування, оцінювання, спостережуваність, безпека та план упровадження на 90 днів.
Чому агент ШІ іноді коштує дешевше за RAG
Більше викликів LLM не завжди означає більші витрати: рахувати слід вартість закритого звернення, а не однієї відповіді.
RAG у продакшені: уроки обробки 10 тисяч вакансій щодня
Як поділ тексту, векторні подання, pgvector, контроль витрат і нагляд роблять RAG-систему надійною.
Оптимізація БД: шість стратегій, які прискорюють запити на 60%
Профілювання, індекси, рефакторинг ORM, матеріалізовані представлення, пул з'єднань і кеш — практичний гайд по PostgreSQL і MySQL.
Черга фонових задач на PostgreSQL і Go: проєкт Swig
Таблиця jobs, блокування рядків, JSONB, LISTEN/NOTIFY і воркери — без Redis, якщо Postgres уже в стеку.
SQLite достатньо для durable workflows: DBOS, Litestream і AI-агенти
DBOS і Obelisk: локальний SQLite + Litestream у S3 для стану workflow; Postgres — коли потрібні HA і масштаб.
Семантичний шар між сховищем і BI: навіщо він потрібен для AI-аналітики
Metrics Layer / Headless BI: єдиний виконуваний контракт метрик, відмінність від каталогу даних і чому LLM не повинна сама вигадувати SQL.
5 Python vector DB: що ламається після ноутбука
Chroma, Pinecone, Qdrant, Weaviate — не QPS, а packaging, стабільність API і шлях з dev у production.
Як стиснути словник з 3 ГБ SQLite до ~10 МБ: FST замість бази
Кейс tsk: finite state transducer у Rust, спільні суфікси фінської мови і чому FTS у SQLite був тимчасовим рішенням.