Навык: База знаний на pgvector (RAG) — модуль M·MAKE, Часть 2

Как запустить: «сделай базу знаний» / «чтобы отвечал по моим документам».

Сначала различи два уровня (не путать):

• Уровень 1 — простой справочник. Вопрос→ответ, материал→норматив, правило→действие. Это обычные таблицы Postgres, приложение читает нужную строку. AI и RAG НЕ нужны. Если у человека так — скажи прямо и не строй вектор.
• Уровень 2 — RAG (этот навык). Нужен, когда AI должен отвечать по ТВОИМ документам, не выдумывая. Только тогда векторная база.

Модель RAG: документы → режем на куски (чанки) → превращаем в эмбеддинги (числовые отпечатки смысла) → храним в pgvector → на вопрос находим похожие куски → отдаём их модели как контекст → модель отвечает только из найденного (меньше галлюцинаций).

⚙️ Рецепт (по нему строит агент через Supabase MCP)

1. Нарезка (chunking) — самое важное

• Режь по структуре: заголовки → абзацы → предложения. НЕ по N символов вслепую (иначе ответы плывут).
• Размер куска ~400–500 токенов, перекрытие ~10–15% (~50 токенов), не разрывать предложения.
• Каждый кусок начинать с названия раздела (сохраняем контекст).