{"id":7774,"date":"2025-06-05T09:41:14","date_gmt":"2025-06-05T07:41:14","guid":{"rendered":"https:\/\/www.dbi-services.com\/?post_type=courses&p=7774"},"modified":"2025-06-16T09:12:35","modified_gmt":"2025-06-16T07:12:35","slug":"vector-search-und-rag-mit-postgresql-essentials","status":"publish","type":"courses","link":"https:\/\/www.dbi-services.com\/de\/schulungen\/vector-search-und-rag-mit-postgresql-essentials\/","title":{"rendered":"Vector Search & RAG mit PostgreSQL \u2013 Essentials"},"content":{"rendered":"

<\/h3>

<\/h2>
\n\n
\"Vector<\/figure>\n\n\n\n

<\/p>\n\n<\/div><\/div><\/section>

<\/h3>

Warum Vektorsuche mit PostgreSQL?<\/h2>

Die Vektorsuche revolutioniert die Art und Weise, wie wir mit Daten interagieren und erm\u00f6glicht intelligentere, kontextbezogene Abfragen. Durch den Einsatz von PostgreSQL, einer zuverl\u00e4ssigen und skalierbaren Datenbank, k\u00f6nnen Sie die Vektorsuche ohne die Einf\u00fchrung neuer Tools oder Infrastrukturen implementieren. Dieser Ansatz ist ideal f\u00fcr Teams, die ihre KI-F\u00e4higkeiten verbessern und gleichzeitig ihren Tech-Stack einfach und effizient halten m\u00f6chten. Ob Sie mit LLMs experimentieren oder produktive RAG-Pipelines einsetzen, PostgreSQL und pgvector bieten eine leistungsstarke Kombination. <\/p>

\n\n

<\/p>\n\n<\/div><\/div><\/section>

<\/h3>

Workshop Inhalt<\/h2>

<\/p>

\n

Die Grenzen der Schl\u00fcsselwortsuche verstehen<\/h2>

Zun\u00e4chst werden Sie untersuchen, warum die herk\u00f6mmliche stichwortbasierte Suche oft nicht in der Lage ist, die Bedeutung zu erfassen. Wir erkl\u00e4ren, wie die semantische Suche mit Hilfe von Einbettungen das Spiel ver\u00e4ndert, indem sie sich auf die Absicht und den Kontext konzentriert, anstatt nur W\u00f6rter zu finden. <\/p><\/div><\/section>\n\n

Abbildung einer RAG-Architektur in der realen Welt<\/h2>

Als N\u00e4chstes werden wir uns mit dem grossen Ganzen befassen. Sie werden sehen, wie Daten durch ein RAG-System fliessen – von der Anfrage des Benutzers \u00fcber die Einbettung und Abfrage bis hin zum Sprachmodell. Dadurch wird klar, wo PostgreSQL in dieser modernen KI-Pipeline genau hinpasst. <\/p><\/div><\/section>\n\n

Erste Schritte mit pgvector<\/h2>

Dann werden Sie selbst aktiv. Anhand von Schritt-f\u00fcr-Schritt-Anleitungen und gebrauchsfertigen Skripten installieren Sie pgvector<\/code> und richten Ihre erste Einbettungstabelle ein. Sie k\u00f6nnen das Ganze auf Ihrem Laptop oder in der Cloud verfolgen. <\/p><\/div><\/section>\n\n

Die Wahl des richtigen \u00c4hnlichkeitsoperators<\/h2>

Danach werden wir uns mit der Leistung befassen. Sie werden \u00c4hnlichkeitsmethoden wie Kosinus, Euklidisches und Inneres Produkt vergleichen. Anhand von Live-SQL-Demos werden Sie verstehen, wie sich die einzelnen Optionen auf Geschwindigkeit, Genauigkeit und Speicherplatz auswirken. <\/p><\/div><\/section>\n\n

Backend-Integration mit Python oder Node<\/h2>

Sobald Ihre Vektorsuche funktioniert, werden Sie lernen, wie Sie sie mit realen Anwendungen verbinden k\u00f6nnen. Mithilfe von LangChain- und LangFlow-Vorlagen werden Sie SQL-Aufrufe, Filter, Rankings und LLM-Anfragen in Python- oder Node-Backends integrieren. <\/p><\/div><\/section>\n\n

Aufbau eines minimalen RAG-Chatbots<\/h2>

Zum Schluss f\u00fcgen Sie alles zusammen. Sie werden einen FAQ-Beispieldatensatz einbetten, die Top-K-Treffer abrufen und sie an eine OpenAI-Funktion<\/a> \u00fcbergeben. Das Ergebnis? Ein voll funktionsf\u00e4higer Chatbot, der Nutzern fundierte Antworten in Echtzeit gibt. <\/p><\/div><\/section>\n<\/div><\/div><\/section>

<\/h3>

Ziele<\/h2>

Am Ende dieses Workshops werden Sie in der Lage sein:<\/p>

\n\n

<\/h2>