• RECHERCHE
  • CONTEXTE
  • DONNÉES
  • HUMAIN

Créer des pipelines de recherche RAG avec votre IA

Connectez DeepInfra à votre client IA pour transformer vos textes en vecteurs de haute dimension. Cela permet une recherche sémantique qui comprend le sens plutôt que de simples mots-clés.

Demandez à l'IA à propos de cette page

Réponse rapide

Comment créer des pipelines de recherche RAG avec mon IA ?

Utilisez l'outil create_embedding pour convertir vos documents en vecteurs numériques. Ces vecteurs permettent à votre IA de trouver des informations pertinentes selon le contexte plutôt que par correspondance exacte de mots. Vous obtenez ainsi un moyen structuré d'injecter des données spécifiques dans la fenêtre de contexte de votre agent.

Résultats de la vectorisation

L'usage de vos données

Une fois votre texte converti, votre IA peut utiliser ces vecteurs pour les usages suivants.

RECHERCHE

Récupération sémantique

Votre IA identifie les segments de texte les plus pertinents en comparant les distances vectorielles. Cela remplace la recherche par mots-clés par une compréhension réelle du sens.

CONTEXTE

Injection de contexte intelligente

L'agent extrait uniquement les extraits nécessaires pour son prompt. Cela permet de garder une fenêtre de contexte propre et concentrée sur les bonnes données.

DONNÉES

Préparation de base vectorielle

Le résultat est prêt à être stocké dans une base de données vectorielle. Vous obtenez les représentations numériques exactes nécessaires à l'indexation.

HUMAIN

Révision manuelle

Vous décidez quels segments sont assez qualitatifs pour être indexés. L'IA fournit les vecteurs, mais vous gardez le contrôle sur la base de connaissances finale.

Le flux

Ce que fait votre IA à l'arrivée du texte.

L'IA gère la complexité mathématique pour convertir le langage en coordonnées.

  1. Traitement du texte

    Votre agent récupère le texte brut de vos fichiers ou bases de données et le prépare pour le modèle.

    create_embedding

  2. Génération de vecteurs

    L'IA appelle le modèle d'embedding pour transformer les chaînes de texte en listes de nombres.

    create_embedding

  3. Calcul de similarité

    Votre agent compare ces nouveaux vecteurs aux vecteurs existants pour trouver des correspondances.

    create_embedding

  4. Assemblage du contexte

    L'agent sélectionne les meilleures correspondances pour répondre à votre question précise.

    create_embedding

Essayez

Copiez ces exemples pour commencer.

Utilisez ces prompts pour lancer la construction de votre pipeline.

Points de départ

Remplacez le texte entre crochets par vos noms de fichiers ou sources de données réels.

DeepInfra Connector

Tout est prêt. Choisissez votre client MCP et suivez les instructions de configuration.

Lien du connecteurhttps://edge.vinkius.com/vk_preview_RMvS2UlIMhdShOjNbZfqar6XAZE9QfzTMbaejxJY/mcp

Claude Desktop

Suivez les étapes ci-dessous pour vous connecter en quelques secondes.

  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.
Configuration · claude_desktop_config.jsonCopier
{
  "mcpServers": {
    "deepinfra-serverless-llm-inference-mcp": {
      "url": "https://edge.vinkius.com/vk_preview_RMvS2UlIMhdShOjNbZfqar6XAZE9QfzTMbaejxJY/mcp"
    }
  }
}
Copiez dans le chat04

  • Créer des embeddings pour le contenu de mon fichier project_notes.txt.

  • Convertir cette liste de retours clients en vecteurs pour mon index de recherche.

  • Générer des embeddings pour le texte de mon dossier documentation afin d'effectuer une recherche sémantique.

  • Transformer les données de mon sales_report.csv en vecteurs pour m'aider à répondre à des questions à leur sujet.

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

Commencez ici

Connectez DeepInfra une fois, puis interrogez.

Liez simplement votre compte. Vos identifiants restent cryptés et vous pouvez immédiatement utiliser les outils d'embedding depuis votre client IA favori.

Connecter DeepInfra à votre IA

FAQ

Fonctionnement de la tâche

  • 01

    L'IA peut-elle stocker ces vecteurs pour moi ?

    Non. L'outil génère les vecteurs, mais il vous appartient de les enregistrer dans une base de données vectorielle.

  • 02

    Cet outil nettoie-t-il mon texte avant l'embedding ?

    Non. Vous devez gérer le nettoyage et le découpage du texte avant d'envoyer les données à l'outil d'embedding.

  • 03

    Puis-je l'utiliser pour fouiller dans mes emails ?

    Oui, si vous fournissez le texte des emails à l'agent pour qu'il soit vectorisé.

  • 04

    L'IA va-t-elle supprimer mes documents originaux ?

    Non. Cet outil ne fait que lire le texte pour créer des vecteurs ; il ne peut ni modifier ni supprimer vos fichiers sources.

  • 05

    L'IA peut-elle effectuer la recherche elle-même ?

    L'IA utilise les vecteurs pour trouver des correspondances, mais la comparaison mathématique réelle se fait via le processus d'embedding.

  • D'autres questions sur DeepInfra ? La page du Connector y répond. Voir toutes les capacités du Connector DeepInfra

Connectez DeepInfra à Claude, Cursor, ChatGPT et d'autres