• SUCHE
  • KONTEXT
  • DATEN
  • MENSCH

RAG-Such-Pipelines mit DeepInfra und Ihrer KI bauen

Verbinden Sie DeepInfra mit Ihrem KI-Client, um Texte in hochdimensionale Vektoren umzuwandeln. Das ermöglicht eine semantische Suche, die Inhalte nach ihrer Bedeutung statt nur nach Schlagworten findet.

Fragen Sie die KI zu dieser Seite

Kurzantwort

Wie baue ich RAG-Such-Pipelines mit meiner KI?

Nutzen Sie das Tool create_embedding, um Ihre Dokumente in numerische Vektoren umzuwandeln. Diese Vektoren erlauben es Ihrer KI, relevante Informationen basierend auf dem Kontext statt auf exakten Worttreffern zu finden. So können Sie gezielt Daten in das Kontextfenster Ihres Agenten einspeisen.

Das Ergebnis der Vektorisierung

Wohin Ihre Daten fließen

Sobald Ihr Text umgewandelt wurde, kann Ihre KI diese Vektoren für folgende Aufgaben nutzen.

SUCHE

Semantische Suche

Ihre KI findet die relevantesten Textabschnitte durch den Vergleich von Vektordistanzen. Das ersetzt die klassische Schlagwortsuche durch echtes Verständnis der Bedeutung.

KONTEXT

Intelligente Kontext-Einspeisung

Der Agent zieht nur die notwendigen Textstellen in seinen Prompt. Das hält Ihr Kontextfenster sauber und fokussiert auf die richtigen Daten.

DATEN

Vorbereitung der Vektordatenbank

Die Ausgabe ist bereit für die Speicherung in einer Vektordatenbank. Sie erhalten die exakten numerischen Repräsentationen, die für die Indizierung nötig sind.

MENSCH

Manuelle Überprüfung

Sie entscheiden, welche Textabschnitte qualitativ hochwertig genug für die Indizierung sind. Die KI liefert die Vektoren, Sie kontrollieren die Wissensbasis.

Der Ablauf

Was Ihre KI tut, wenn Text ankommt.

Die KI übernimmt die komplexe Mathematik, um Sprache in Koordinaten zu übersetzen.

  1. Textverarbeitung

    Ihr Agent nimmt den Rohtext aus Ihren Dateien oder Datenbanken und bereitet ihn für das Modell vor.

    create_embedding

  2. Vektorgenerierung

    Die KI nutzt das Embedding-Modell, um Textzeichenfolgen in lange Zahlenlisten umzuwandeln.

    create_embedding

  3. Ähnlichkeitsberechnung

    Ihr Agent vergleicht diese neuen Vektoren mit vorhandenen, um passende Treffer zu finden.

    create_embedding

  4. Kontext-Zusammenstellung

    Der Agent wählt die besten Treffer aus, um Ihre spezifische Frage zu beantworten.

    create_embedding

Probieren Sie es

Kopieren Sie diese Vorlagen.

Nutzen Sie diese Prompts, um den Aufbau Ihrer Pipeline zu starten.

Startpunkte

Ersetzen Sie den Text in Klammern durch Ihre tatsächlichen Dateinamen oder Datenquellen.

DeepInfra Connector

Alles bereit. Wählen Sie Ihren MCP-Client und folgen Sie den Einrichtungsschritten.

Connector-Linkhttps://edge.vinkius.com/vk_preview_RMvS2UlIMhdShOjNbZfqar6XAZE9QfzTMbaejxJY/mcp

Claude Desktop

Folgen Sie den Schritten unten, um sich in Sekunden zu verbinden.

  1. 1In Claude Desktop, open Settings → Connectors.
  2. 2Click “Add custom connector” and paste the connector link above as the remote MCP server URL.
  3. 3Click Add and start a new chat — DeepInfra capabilities are ready to use.
Konfiguration · claude_desktop_config.jsonKopieren
{
  "mcpServers": {
    "deepinfra-serverless-llm-inference-mcp": {
      "url": "https://edge.vinkius.com/vk_preview_RMvS2UlIMhdShOjNbZfqar6XAZE9QfzTMbaejxJY/mcp"
    }
  }
}
In den Chat kopieren04

  • Erstelle Embeddings für den Inhalt meiner Datei project_notes.txt.

  • Wandle diese Liste von Kundenfeedback-Einträgen in Vektoren für meinen Suchindex um.

  • Generiere Embeddings für den Text in meinem Dokumentationsordner, damit ich eine semantische Suche durchführen kann.

  • Wandle die Daten in meiner sales_report.csv in Vektoren um, damit du Fragen dazu beantworten kannst.

  • Claude
  • ChatGPT
  • Cursor
  • VS Code
  • Windsurf
  • Claude Code
  • JetBrains
  • Cline

Starten Sie hier

Einmal verbinden, dann fragen.

Verknüpfen Sie einfach Ihr Konto. Ihre Zugangsdaten bleiben verschlüsselt und Sie können sofort die Embedding-Tools in Ihrem KI-Client nutzen.

DeepInfra mit Ihrer KI verbinden

FAQ

So funktioniert die Aufgabe

  • 01

    Kann die KI diese Vektoren für mich speichern?

    Nein. Das Tool generiert die Vektoren, aber Sie sind dafür verantwortlich, diese in einer Vektordatenbank zu speichern.

  • 02

    Bereinigt das Tool meinen Text vor dem Embedding?

    Nein. Sie sollten die Textbereinigung und das Chunking vornehmen, bevor Sie die Daten an das Embedding-Tool senden.

  • 03

    Kann ich das nutzen, um meine E-Mails zu durchsuchen?

    Ja, sofern Sie dem Agenten den E-Mail-Text zum Vektorisieren zur Verfügung stellen.

  • 04

    Wird die KI meine Originaldokumente löschen?

    Nein. Dieses Tool liest Texte nur aus, um Vektoren zu erstellen; es kann Ihre Quelldateien weder ändern noch löschen.

  • 05

    Kann die KI die eigentliche Suche selbst durchführen?

    Die KI nutzt die Vektoren, um Treffer zu finden, aber der mathematische Vergleich findet durch den Embedding-Prozess statt.

  • Weitere Fragen zu DeepInfra? Die Connector-Seite liefert Antworten. Alle Funktionen des DeepInfra Connectors ansehen

Verbinde DeepInfra mit Claude, Cursor, ChatGPT & mehr