embeddings

Qdrant als Gedächtnis für KI-Chatbots: RAG verständlich erklärt

Wie Qdrant als Gedächtnis für KI-Chatbots dient: RAG-Prinzip, Prompt-Kontext, Architekturen und typische Stolperfallen erklärt.

Weiterlesen

Qdrant mit Python nutzen: Vektoren speichern & suchen

Erste Schritte mit Python und Qdrant: Collections anlegen, Vektoren speichern, Payloads nutzen und einfache Similarity Searches durchführen.

Weiterlesen

Embeddings richtig erzeugen: Texte vorbereiten für Qdrant

So entstehen gute Embeddings: Chunking, Textlänge, Metadaten und typische Fehler – praxisnah erklärt für Qdrant und RAG-Systeme.

Weiterlesen

Qdrant Datenmodell verstehen: Collections, Vektoren & Payloads erklärt

So funktioniert das Datenmodell von Qdrant: Collections, Points, Vektoren, Payloads und Filter – verständlich erklärt für die Praxis.

Weiterlesen

Eigene Wissensbasis mit Ollama & RAG – Grundlagen verständlich erklärt

Warum LLMs nichts wissen – und wie RAG das ändert. Lerne Chunking, Embeddings und Vektordatenbanken für eigene KI-Systeme.

Weiterlesen

Was ist Qdrant? Warum klassische Suche nicht mehr ausreicht

Qdrant erklärt: Warum klassische Suche scheitert, wie semantische Suche funktioniert und wozu Vektordatenbanken in KI-Anwendungen nötig sind.

Weiterlesen

RAG + Vector Database: So funktioniert das Gedächtnis von AnythingLLM

RAG + Vector Database erklärt: Wie AnythingLLM sein KI-Gedächtnis aufbaut, Texte vektorisiert und Wissen semantisch abrufbar macht – sicher und lokal.

Weiterlesen