Набор функций ещё не продукт: что я понял, когда посмотрел на свой проект со стороны
Всем привет! В прошлой статье я рассказывал про ребрендинг моего плагина для Obsidian, Companion и MCP. Но спустя какое-то время я поймал себя на до…
Open Source
⚑ Сообщить о проблемеПоследние новости Open Source от Tech News
Все темы
AI
agents
ai
api
architecture
automation
backend
beginners
career
database
devchallenge
devops
discuss
javascript
linux
llm
machinelearning
mcp
opensource
performance
productivity
programming
python
react
security
showdev
testing
tutorial
typescript
webdev
RAG умер, да здравствует RAG: история одного Reranker и как мы оживили нейропоиск среди 35 000 страниц
Привет, Хабр! На связи Саша Михеев, ML-инженер Центра гибридного интеллекта в Рунити. В прошлой статье мы рассказывали, как строим корпоративного RA…
474 712 строк за 35 лет: как мы с LLM и 21 экспертом приводим в порядок справочник автосервиса
НАР РУЧКУ ДВЕРЬ РАСПАШ З ПР С/У Это не битая кодировка и не ошибка миграции. Это настоящее название работы из нашего справочника. За 35 лет в нём на…
[Перевод] Manticore Search 29.9.0: chunked auto-embeddings и mmap-доступ к columnar-атрибутам
Manticore Search 29.9.0: chunked auto-embeddings и mmap-доступ к columnar-атрибутам Manticore Search 29.9.0 добавляет chunked и multi-vector auto-em…
Я хотел просто навести порядок в Obsidian. В итоге написал два индекса, semantic search и RAG
Я начинал с простого AI-аудита заметок, а в итоге Vault Audit AI вырос в систему с двумя индексами, поиском по смыслу, Similar Notes, semantic dupli…
jina-embeddings-v4 as an OpenAI-Compatible Embeddings Server
jina-embeddings-v4 is a self-hosted server for the jina-embeddings-v4 embedding model with an OpenAI-compatible /v1/embeddings endpoint. It runs on…
Embeddings: Meaning as Numbers
When you ask a chatbot for a pasta recipe, it doesn’t understand “pasta” the way you do. It sees a list of numbers. Those numbers are not random. Th…
Семантического поиска оказалось мало. Как я научил Obsidian находить похожие заметки
В прошлой статье я рассказывал, как добавил в Obsidian локальный семантический индекс. Сам проект развивается открыто, код лежит здесь: GitHub: http…
Implementing Node.js Support Triage — Summarize PDF Pages with Embeddings
Short answer: for B2B support triage, split PDF retrieval from answer generation, rerank a small evidence set, and let the final summary assign a qu…
Why I Chose PDF RAG Chunking and Metadata for Catalog Semantic Search
Short answer: for semantic search over messy B2B catalog PDFs, I would spend the latency budget during ingestion, preserve page-level evidence, and…
Gaming Knowledge-Base PDF RAG: Node.js Embeddings, Rerank, and Focused Summaries
A gaming knowledge base can contain hundreds of PDF pages of rules, patch notes, quest logic, and support policy. To summarize those pages without b…
Ask-Docs Architecture: Semantic Embeddings or Keyword Search for a SaaS Help Center?
Short answer: for an ask-your-docs feature in a multi-tenant SaaS help center, start with embeddings over document chunks, retain keyword search for…
Шесть лет разработки Telegram-бота: от токенайзера до LLM, RAG и векторных баз
Ио — это LLM-бот для Telegram-чатов. Он умеет отвечать на сообщения пользователей, распознавать изображения и голосовые сообщения, учитывать текущий…
Silent Drift: Why Re-Embedding Only on Count Changes Rots Your Semantic Index
My index reported 354 points. The collection had 451. Both numbers were "correct," and that gap is the whole problem. Here's the setup. I have a wik…
Vector Split by Chunk: Why My Retrieval Stops at the Boundary I Drew
I watched a draft miss the exact file span I needed, and the failure was embarrassingly clean: the vector was "close," but the chunk I wanted was bu…
Four Vectors, One Record: How I Split Embeddings Before They Hit Search
The failure that pushed me into this design was not subtle. I had a blended embedding that kept returning candidate matches that looked reasonable a…
The Silent Vector Contamination Bug: Why Your Concurrent Embeddings Might Be Lying to You
TL;DR: If you run concurrent inference (e.g., via OpenVINO AsyncInferQueue or custom threading) for text/code embeddings, your tests might show 0 ex…
How Vector Search Actually Works: IVF and HNSW
Every system that does "semantic" anything — RAG pipelines, recommendation engines, image search, dedup — boils down to one operation: given this ve…
Vector databases explained
Behind almost every "AI-powered search" and RAG feature sits the same quiet workhorse: similarity search over vectors. If you're building anything t…
Embeddings Magic
Transforming language into geometry. Introduction Embeddings are one of the most important building blocks of modern AI applications, yet they're of…
В 14 раз быстрее: как мы ускорили генерацию эмбеддингов в Manticore через ONNX
Когда мы выпустили Auto Embeddings — функцию автоматического преобразования текстов в векторные представления — без развёртывания отдель…
Retrieval в 2026: как RAG переехал с энкодеров на LLM (и что с этим делать в своём проекте)
Если вы строили RAG в 2023, ваш стек выглядел плюс-минус одинаково. BERT-семейство (BGE, e5) для семантики, BM25 для буквальных совпадений, cross-en…
Build a RAG Pipeline From Scratch (Production Patterns That Actually Matter)
Most RAG tutorials stop at "embed your docs, do a similarity search, stuff the results in a prompt." That gets you a demo. It does not get you somet…
RAG with OpenAI Embeddings, pgvector and LangChain
Retrieval-Augmented Generation (RAG) is a practical pattern: store knowledge as embeddings, retrieve the most relevant chunks with semantic search,…
Раннее завершение KNN-поиска в Manticore Search
Современные поисковые системы уже не просто сопоставляют ключевые слова. Когда вы ищете «уютный детектив, действие которого происходит в Париже», а…
Почему RAG — это не просто «добавить поиск»: latency, качество и выбор стратегии retrieval
Когда говорят про RAG, его часто описывают как простой способ улучшить LLM‑систему: добавить поиск по внешним данным, найти релевантн…
Хакатон Samsung IT Academy Hack 2026: как студенты оптимизировали поиск в корпоративном мессенджере
Поиск — штука настолько привычная, что её редко рассматривают как отдельную инженерную задачу. На деле это связка из четырёх частей: парсинг и норма…