#статья #ИИ #БД #RAG

🙌 Организация RAG-конвейера в Langflow: пример локального развертывания

🧐 Как построить RAG-конвейер в Langflow, где на самом деле в pgvector хранятся числовые эмбединги и их исходные текстовые данные, что заранее сделать дата-инженеру и почему приходится кастомизировать типовые блоки low-code фреймворка для разработки ИИ-приложения.

🌾 В августе 2026 года в рамках крупного ИИ-проекта мне нужно было разработать и настроить демо-стенд для построения агентских систем. Чтобы с ним могли взаимодействовать не только разработчики, но бизнес-пользователи, выбор ограничился low-code платформами. Dify, с которым я работала ранее при создании ИИ-ассистентов, оказался менее удобным в части настройки и кастомизации по сравнению с LangFlow.
🌻 Будучи основанным на программном движке LangChain, LangFlow использует его кодовые конструкции за фасадом блоков для визуального проектирования ИИ-приложения. И, в отличие от Dify, LangFlow позволяет кастомизировать типовые или создавать свои собственные компоненты. В RAG-конвейере для индексации, т.е. заливки документов в векторную базу знаний, мне это очень пригодилось из-за особенностей Yandex AI Studio, откуда использовались эмбеддинговые модели.
Подробнее в новой статье
👉 https://babok-school.ru/blog/rag-pipeline-with-pgvector-on-lagflow/