Tarkibga o'tish

14 β€” Vektor bazalari

⬅️ Oldingi: 13 β€” Embeddings va semantik qidiruv Β· 🏠 Kitob boshi Β· Keyingi: 15 β€” RAG: chunking va indekslash ➑️

Bu bobda: 13-bobda matnni vektorga aylantirib, savolga eng yaqin matnni topishni o'rgandik β€” lekin buni qo'lda, har bir vektorni navbatma-navbat solishtirib qildik. Bu minglab hujjatda sekin va noqulay. Endi vektor bazasi bilan tanishamiz: u vektorlarni saqlaydi va savolga eng yaqinlarini juda tez (taxminiy β€” ANN) topadi. Chroma'ni (eng oddiy, lokal vektor bazasi) boshidan oxirigacha amalda ko'ramiz: kolleksiya yaratish, hujjat va vektor qo'shish, query, metadata bilan filtrlash, diskka saqlash. So'ng pgvector (mavjud Postgres bilan) va FAISS (ulkan, lokal) qachon kerakligini, oxirida esa qaysi vaziyatda qaysi bazani tanlashni bilib olamiz.

Muammodan boshlaymiz: qo'lda solishtirish miqyosga chidamaydi

13-bobda semantik qidiruvni o'z qo'limiz bilan qurdik. Bir nechta hujjatni embed qildik, savolni ham embed qildik, keyin har bir hujjat vektori bilan savol vektori orasidagi o'xshashlikni hisoblab, eng yaqinini topdik:

# 13-bobdagi yondashuv (eslatma): hammasini qo'lda solishtirish
import numpy as np

def oxshashlik(a, b):
    a, b = np.array(a), np.array(b)
    return a @ b / (np.linalg.norm(a) * np.linalg.norm(b))

# Har bir hujjat uchun o'xshashlikni hisoblaymiz β€” N ta hisob
ballar = [(i, oxshashlik(savol_vektor, h)) for i, h in enumerate(hujjat_vektorlari)]
ballar.sort(key=lambda x: x[1], reverse=True)
eng_yaqin = ballar[0]

Bu 5 ta hujjat uchun mukammal ishlaydi. Lekin 50 000 hujjat (yoki ularning bo'laklari) bo'lsa-chi? Har bir savolda 50 000 ta o'xshashlik hisoblash kerak β€” bu sekin. Yana: vektorlarni qayerda saqlaysiz? Har gal dasturni qayta ishga tushirganda hammasini qaytadan embed qilasizmi (pul va vaqt sarfi)? Metadata bo'yicha filtrlash (masalan, "faqat 2025-yil hujjatlari ichidan qidir") kerak bo'lsa-chi?

Mana shu uch muammoni β€” tezlik, saqlash va filtrlash β€” vektor bazasi hal qiladi.

Hayotiy o'xshatish. Qo'lda solishtirish β€” kutubxonada kerakli kitobni topish uchun har bir javondagi har bir kitobni birma-bir qo'lga olib o'qishga o'xshaydi. Vektor bazasi esa β€” kataloglashtirilgan kutubxona: kitoblar mavzu bo'yicha javonlarga ajratilgan, indeks bor, shuning uchun kerakligini soniyalarda topasiz. Ko'proq kitob bo'lsa ham, qidiruv tez qoladi.

Atama: vektor bazasi

Vektor bazasi (vector database) β€” vektorlarni (embeddinglarni) saqlash va ular orasidan berilgan vektorga eng yaqinlarini tez topish uchun maxsus qurilgan ma'lumotlar bazasi. Oddiy SQL bazasi "qiymati X ga teng qatorlar"ni topadi; vektor bazasi esa "ma'no jihatdan eng yaqin qatorlar"ni topadi.

Vektor bazasi arxitekturasi: birinchi bosqichda hujjatlar embed qilinib bazaga saqlanadi, ikkinchi bosqichda savol embed qilinib eng yaqin bo'laklar qidiriladi va keyin LLM ga kontekst sifatida beriladi

Diagrammada ikki bosqich ko'rinadi: saqlash (hujjatlarni bir marta embed qilib bazaga joylaysiz) va qidirish (har savolda savolni embed qilib, eng yaqin bo'laklarni olasiz). Bu ikkalasi RAG'ning poydevori β€” keyingi boblar shu ustiga quriladi.

ANN: nega vektor bazasi tez?

Vektor bazasining siri β€” u hamma vektorni solishtirmaydi. U ANN (Approximate Nearest Neighbor β€” taxminiy eng yaqin qo'shni) algoritmidan foydalanadi.

"Brute-force" (qo'pol kuch) usuli savolni har bir vektor bilan solishtiradi β€” aniq, lekin sekin: N ta vektor = N ta hisob. ANN esa vektorlarni oldindan indekslaydi (masalan, o'zaro yaqinlarini "mahalla"larga guruhlaydi). Qidirishda u faqat eng istiqbolli mahallalarga qaraydi, uzoqlarini umuman tekshirmaydi. Natijada millionlab vektorda ham qidiruv millisekundlar ichida bajariladi.

Brute-force va ANN taqqoslash: chap tomonda savol har bir vektor bilan solishtiriladi (sekin), o'ng tomonda vektorlar mahallalarga guruhlangan va faqat yaqin mahalla tekshiriladi (tez)

"Approximate" (taxminiy) so'zi muhim: ANN ba'zan eng yaqin vektorni o'tkazib yuborishi mumkin (masalan, 100 dan 98-99 tasini to'g'ri topadi). Buning evaziga u o'nlab-yuzlab marta tezroq ishlaydi. Amaliyotda bu kelishuv deyarli har doim o'zini oqlaydi β€” RAG uchun "eng yaqin 5 ta"ning 4-5 tasi to'g'ri bo'lishi yetarli.

Hayotiy o'xshatish. Brute-force β€” shaharda do'stingiznikiga borish uchun har bir uyning eshigini taqillatib so'rash. ANN β€” avval kerakli mahallaga borib, faqat o'sha yerdagi bir nechta uyni tekshirish. Ba'zan adashib qo'shni uyga kirib qolishingiz mumkin (taxminiy), lekin manzilga ancha tez yetasiz.

Indeks turlari

ANN'ning bir nechta algoritmi bor: HNSW (eng keng tarqalgan, tez va aniq), IVF, PQ va boshqalar. Yaxshi xabari β€” Chroma kabi bazalar buni o'zi boshqaradi, siz indeks ichki ishlashini bilishingiz shart emas. Faqat "ANN tufayli tez" degan tushuncha yetarli.

Chroma: eng oddiy boshlanish

Chroma β€” Python'da vektor bazasini boshlashning eng oson yo'li. U lokal ishlaydi, alohida server o'rnatish shart emas, va API'si juda sodda. Boshlovchi uchun ideal.

O'rnatamiz:

pip install chromadb

Eng kichik ishlaydigan misol

Avval xotirada (vaqtinchalik) ishlaydigan eng oddiy variantni ko'ramiz. Bu yerda Chroma'ning o'z ichki embed funksiyasidan foydalanamiz β€” ya'ni matn beramiz, u o'zi vektorga aylantiradi:

import chromadb

# Xotirada ishlaydigan mijoz (dastur tugashi bilan ma'lumot yo'qoladi)
client = chromadb.Client()

# Kolleksiya β€” bu vektorlar saqlanadigan "jadval"
collection = client.create_collection(name="qollanma")

# Hujjatlarni qo'shamiz. Embedding bermadik β€” Chroma O'ZI embed qiladi.
collection.add(
    documents=[
        "Yetkazib berish odatda 3 ish kuni ichida amalga oshiriladi.",
        "Mahsulotni 14 kun ichida qaytarib, pulni qaytarib olishingiz mumkin.",
        "To'lov bank kartasi yoki naqd pul orqali qabul qilinadi.",
    ],
    ids=["d1", "d2", "d3"],   # har hujjatga noyob id SHART
)

# Savol beramiz β€” Chroma savolni ham o'zi embed qilib, eng yaqinini topadi
natija = collection.query(
    query_texts=["Buyurtmam qachon yetib keladi?"],
    n_results=2,
)
print(natija["documents"])
# [['Yetkazib berish odatda 3 ish kuni ichida ...', 'To'lov bank kartasi ...']]

E'tibor bering: savolda "yetkazib berish" so'zi yo'q ("qachon yetib keladi" dedik), lekin Chroma baribir to'g'ri hujjatni topdi β€” chunki qidiruv ma'no bo'yicha, kalit so'z bo'yicha emas. Bu β€” 13-bobdagi semantik qidiruvning aynan o'zi, lekin endi bir necha qator kod bilan.

Hayotiy o'xshatish. create_collection β€” yangi, bo'sh shkaf olish. add β€” hujjatlarni shkafga yorliqlab joylash (Chroma har birining "barmoq izi" β€” vektorini avtomatik chiqaradi). query β€” shkafga "menga shunga o'xshashini ber" deyish; u eng mos papkalarni qaytaradi.

Chroma kolleksiyasi ichida har bir qator id, hujjat matni, vektor va metadata dan iborat; query savolni vektorga aylantirib eng yaqin qatorni distance bo'yicha topadi

id noyob bo'lishi shart

Har bir hujjatning idsi noyob bo'lishi kerak. Agar mavjud id bilan yana add qilsangiz, Chroma ogohlantirish beradi va qo'shmaydi. Yangilash uchun collection.upsert(...) (bor bo'lsa yangilaydi, yo'q bo'lsa qo'shadi) yoki collection.update(...) ishlating.

O'z embeddingingizni berish

Yuqorida Chroma matnni o'zi embed qildi. Lekin amaliy loyihalarda ko'pincha o'z embed modelingizni (masalan, OpenAI'ning text-embedding-3-small) ishlatishni xohlaysiz β€” sifati yuqori, ko'p tilli va siz nazorat qilasiz. Bu holda vektorni siz hisoblab, Chroma'ga tayyor holda berasiz.

import os
import chromadb
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()
oai = OpenAI()                       # OPENAI_API_KEY .env dan
EMBED_MODEL = "text-embedding-3-small"   # nomlar o'zgaradi β€” provayder ro'yxatini tekshiring

def embed(matnlar: list[str]) -> list[list[float]]:
    """Matnlar ro'yxatini vektorlar ro'yxatiga aylantiradi."""
    javob = oai.embeddings.create(model=EMBED_MODEL, input=matnlar)
    return [d.embedding for d in javob.data]

client = chromadb.Client()
collection = client.create_collection(name="qollanma2")

hujjatlar = [
    "Yetkazib berish odatda 3 ish kuni ichida amalga oshiriladi.",
    "Mahsulotni 14 kun ichida qaytarib, pulni qaytarib olishingiz mumkin.",
    "To'lov bank kartasi yoki naqd pul orqali qabul qilinadi.",
]

# Vektorni O'ZIMIZ hisoblab, embeddings sifatida beramiz
collection.add(
    documents=hujjatlar,
    embeddings=embed(hujjatlar),     # <- tayyor vektorlar
    ids=["d1", "d2", "d3"],
)

# Qidirishda ham savolni O'ZIMIZ embed qilamiz va query_embeddings beramiz
savol = "Buyurtmam qachon yetib keladi?"
natija = collection.query(
    query_embeddings=embed([savol]),     # query_texts EMAS, query_embeddings
    n_results=2,
)
for hujjat, masofa in zip(natija["documents"][0], natija["distances"][0]):
    print(f"[masofa={masofa:.3f}] {hujjat}")

Asosiy farq: o'z embeddingingizni berganda query_texts o'rniga query_embeddings ishlatasiz. Muhim qoida: saqlashda qaysi model bilan embed qilsangiz, qidirishda ham aynan o'sha model bilan embed qiling β€” aks holda vektorlar bir "tilda" bo'lmaydi va natija bema'ni chiqadi.

distances β€” masofa, o'xshashlik emas

Chroma distances (masofa) qaytaradi: kichikroq masofa = yaqinroq = o'xshashroq. Bu 13-bobdagi kosinus o'xshashlikning aksi: u yerda kattaroq ball yaxshi edi, bu yerda kichikroq masofa yaxshi. Adashmang.

Metadata va filtrlash

Vektor bazasining kuchli tomoni β€” har bir hujjatga metadata (qo'shimcha ma'lumot: bo'lim, sana, manba, til...) biriktirib, qidirishda u bo'yicha filtrlash. Masalan, "faqat 'dostavka' bo'limidagi hujjatlar ichidan ma'no bo'yicha eng yaqinini top".

collection.add(
    documents=hujjatlar,
    embeddings=embed(hujjatlar),
    ids=["d1", "d2", "d3"],
    metadatas=[
        {"bolim": "dostavka", "yil": 2025},
        {"bolim": "qaytarish", "yil": 2025},
        {"bolim": "tolov", "yil": 2024},
    ],
)

# where bilan filtr: faqat 'dostavka' bo'limidan qidir
natija = collection.query(
    query_embeddings=embed(["qachon keladi?"]),
    n_results=2,
    where={"bolim": "dostavka"},      # metadata filtri
)

# Sonli shartlar ham mumkin: 2025-yildan keyingilar
natija = collection.query(
    query_embeddings=embed(["qachon keladi?"]),
    n_results=2,
    where={"yil": {"$gte": 2025}},    # $gte = >=, yana $gt $lt $lte $ne $in $nin
)

where filtri avval metadata bo'yicha hujjatlarni cheklaydi, keyin qolganlari ichidan vektor bo'yicha eng yaqinini topadi. Bu ham tezlikka, ham aniqlikka foyda: noto'g'ri bo'limdagi hujjatlar umuman ko'rib chiqilmaydi.

Hayotiy o'xshatish. Metadata filtri β€” kutubxonada "faqat 2025-yil, faqat tibbiyot bo'limidan" deb javonni oldindan toraytirish. Shundan keyingina "mavzuga eng yaqin kitob"ni qidirasiz. Avval to'g'ri javonga borasiz, keyin javon ichidan tanlaysiz.

Hujjat matnida ham qidirish: where_document

Metadata'dan tashqari, hujjat matni ichida aniq so'z bo'yicha ham filtrlash mumkin: where_document={"$contains": "qaytarish"}. Buni vektor qidiruvi bilan birga ishlatib, "ma'no bo'yicha yaqin VA tarkibida 'qaytarish' so'zi bor" hujjatlarni topasiz.

Diskka saqlash: PersistentClient

chromadb.Client() ma'lumotni faqat xotirada saqlaydi β€” dastur tugashi bilan hamma vektor yo'qoladi. Amaliy loyihada buni qayta-qayta embed qilish (pul va vaqt sarfi) o'rniga diskka saqlash kerak. Buning uchun PersistentClient ishlatasiz:

import chromadb

# Ma'lumot shu papkaga saqlanadi va keyingi ishga tushirishda o'qiladi
client = chromadb.PersistentClient(path="./chroma_db")

# Bor bo'lsa oladi, yo'q bo'lsa yaratadi β€” qayta ishga tushirishda qulay
collection = client.get_or_create_collection(name="qollanma")

# Faqat birinchi marta to'ldiramiz (keyin diskda turadi)
if collection.count() == 0:
    collection.add(
        documents=hujjatlar,
        embeddings=embed(hujjatlar),
        ids=["d1", "d2", "d3"],
    )

print("Bazadagi hujjatlar soni:", collection.count())

Endi dastur qayta ishga tushganda ./chroma_db papkasidagi vektorlar o'qiladi β€” qaytadan embed qilish shart emas. get_or_create_collection va count() tekshiruvi tufayli to'ldirish faqat bir marta bajariladi.

chroma_db papkasini .gitignore ga qo'shing

./chroma_db β€” bu ma'lumotlar bazasi fayllari. Uni GitHub'ga yuklamang (.gitignorega qo'shing). Embeddinglar katta hajmli bo'lishi mumkin, va ular kodning bir qismi emas β€” kerak bo'lsa qayta generatsiya qilinadi.

pgvector: mavjud Postgres bilan

Agar loyihangizda allaqachon PostgreSQL ishlatilayotgan bo'lsa, alohida vektor bazasi qo'shish o'rniga pgvector kengaytmasidan foydalanish mantiqiy. U Postgres'ga vector ma'lumot turini va vektor qidiruvini qo'shadi β€” vektorlaringiz oddiy SQL jadvalingiz yonida, bitta tranzaksiya ichida turadi.

Konsept (SQL tomonidan):

-- Kengaytmani yoqamiz (bir marta)
CREATE EXTENSION IF NOT EXISTS vector;

-- Vektor ustunli jadval (1536 β€” text-embedding-3-small o'lchami)
CREATE TABLE hujjatlar (
    id      bigserial PRIMARY KEY,
    matn    text,
    bolim   text,
    embedding vector(1536)
);

-- Eng yaqin 5 ta: <=> kosinus masofa operatori
SELECT matn FROM hujjatlar
WHERE bolim = 'dostavka'              -- oddiy SQL filtr bemalol ishlaydi
ORDER BY embedding <=> '[0.12, -0.4, ...]'   -- savol vektoriga eng yaqin
LIMIT 5;

Python tomonidan vektorni siz embed qilib (yuqoridagi embed funksiyasi bilan) so'rovga uzatasiz β€” odatda psycopg yoki SQLAlchemy orqali. Tez ANN qidiruvi uchun embedding ustuniga HNSW indeks quriladi (CREATE INDEX ... USING hnsw).

Hayotiy o'xshatish. pgvector β€” uyingizdagi mavjud shkafga yangi tortma qo'shishga o'xshaydi: alohida mebel (yangi baza serveri) sotib olishingiz shart emas, bor narsangizdan foydalanasiz. Ma'lumotlaringiz bir joyda β€” biznes jadvallari va vektorlar yonma-yon.

pgvector qachon eng mantiqiy

Sizda Postgres bor; vektorlar bilan oddiy biznes ma'lumotlarini (foydalanuvchi, buyurtma...) bitta so'rovda bog'lashni xohlaysiz; alohida tizimni boshqarishni istamaysiz. Shunda pgvector ideal: bitta baza, bitta zaxira nusxa, bitta tranzaksiya.

FAISS: ulkan, lokal, juda tez

FAISS (Facebook AI Similarity Search) β€” vektor o'xshashligini izlash uchun yuqori unumdor kutubxona. U alohida server emas, balki kod ichida ishlaydigan kutubxona (pip install faiss-cpu). Millionlab-milliardlab vektor bilan, juda tez ishlaydi, lekin "yalang'och": metadata filtri, diskka avtomatik saqlash, id boshqaruvi kabi qulayliklarni o'zingiz qo'shishingiz kerak.

Konsept:

import faiss
import numpy as np

vektorlar = np.array(embed(hujjatlar), dtype="float32")
o_lcham = vektorlar.shape[1]              # masalan 1536

indeks = faiss.IndexFlatL2(o_lcham)       # oddiy indeks (kichik uchun)
indeks.add(vektorlar)                     # vektorlarni qo'shamiz

savol_v = np.array(embed(["qachon keladi?"]), dtype="float32")
masofalar, indekslar = indeks.search(savol_v, k=2)   # eng yaqin 2 ta
print(indekslar)    # topilgan vektorlarning POZITSIYALARI (matnni o'zingiz bog'laysiz)

E'tibor bering: FAISS faqat vektorlar bilan ishlaydi va sizga topilgan vektorning pozitsiya raqamini qaytaradi β€” matnni, metadatani, id'ni o'zingiz alohida ro'yxatda saqlab, pozitsiya bo'yicha bog'lashingiz kerak. Shu sababli FAISS β€” boshlovchi uchun emas, ko'pincha juda katta yoki maxsus ishlash talab qilinadigan tizimlar uchun tanlanadi.

Chroma ham ichida FAISS-ga o'xshash indeksdan foydalanadi

Chroma va boshqa "qulay" bazalar aslida ichkarida FAISS/HNSW kabi tez indekslarni ishlatadi va ustiga metadata, saqlash, id boshqaruvi qatlamini qo'shadi. Ya'ni Chroma β€” "FAISS + qulaylik". Shuning uchun boshlash uchun Chroma yetadi.

Qachon qaysi bazani tanlash

Tanlovni soddalashtiramiz β€” vaziyatga qarab:

Vaziyat Tavsiya Nega
O'rganish, prototip, kichik loyiha Chroma Eng oddiy, lokal, server kerakmas
Allaqachon Postgres ishlatasiz pgvector Bitta baza, oddiy SQL filtr, biznes ma'lumot bilan birga
Juda katta (millionlab+), maxsus tezlik FAISS Eng tez, lekin "yalang'och" β€” qo'lda boshqarasiz
Ulkan, ko'p foydalanuvchi, boshqariladigan xizmat Qdrant / Pinecone / Weaviate Masshtab, replikatsiya, bulutli xizmat

Boshlovchi uchun amaliy yo'l: Chroma bilan boshlang. U RAG'ni o'rganish va prototip qurish uchun yetarli, va API'si boshqa bazalarnikiga o'xshash β€” keyin kerak bo'lsa boshqasiga o'tish oson bo'ladi.

Hayotiy o'xshatish. Bu β€” transport tanlashga o'xshaydi: shahar ichida velosiped (Chroma) yetarli; mashinangiz allaqachon bor bo'lsa undan foydalanasiz (pgvector); butun mamlakat bo'ylab yuk tashish kerak bo'lsa β€” yuk poyezdi (FAISS / dedicated). Hammasi uchun samolyot sotib olish shart emas.

Pinecone va Qdrant β€” eslatma

Pinecone β€” to'liq boshqariladigan bulutli vektor bazasi (siz server boshqarmaysiz, to'laysiz). Qdrant va Weaviate β€” ochiq kodli, o'zingiz yoki bulutda ishlatasangiz bo'ladi, ulkan masshtab va boy filtrlash imkoniyatlariga ega. Bularga loyihangiz haqiqatan kattalashganda β€” millionlab vektor, ko'p foydalanuvchi, doimiy ishlash kerak bo'lganda β€” o'tasiz. Boshida ulardan boshlash β€” "ortiqcha muhandislik".

Xulosa

  • Vektorlarni qo'lda birma-bir solishtirish kichik to'plamda ishlaydi, lekin minglab hujjatda sekin; yana saqlash va filtrlash muammosi bor. Vektor bazasi uchchalasini hal qiladi.
  • Vektor bazasi tez, chunki u ANN (taxminiy eng yaqin qo'shni) ishlatadi: hamma vektorni emas, faqat yaqin "mahalla"larni tekshiradi. "Taxminiy" β€” ozgina aniqlikni katta tezlikka almashadi, RAG uchun bu kelishuv deyarli har doim foydali.
  • Chroma β€” eng oddiy boshlanish: Client() / PersistentClient(path=...), create_collection (yoki get_or_create_collection), add(documents, embeddings, ids, metadatas), query(query_embeddings yoki query_texts, n_results).
  • Embeddingni Chroma o'zi qila oladi (query_texts), yoki o'zingiz berasiz (embeddings + query_embeddings). Muhim: saqlash va qidirishda bir xil embed model ishlating.
  • Chroma distances (masofa) qaytaradi β€” kichikroq = yaqinroq; metadata bilan where={...} filtrlash mumkin ($gte, $in va h.k.), PersistentClient(path=...) diskka saqlaydi.
  • pgvector β€” Postgres allaqachon bor bo'lsa eng mantiqiy (oddiy SQL filtr + vektor bitta bazada). FAISS β€” ulkan, juda tez, lekin "yalang'och" (metadata/id'ni o'zingiz boshqarasiz).
  • Tanlov: kichik/prototip = Chroma, mavjud Postgres = pgvector, ulkan = dedicated (Qdrant / Pinecone / Weaviate). Boshlovchi Chroma'dan boshlasin.

Amaliy mashqlar

  1. (Oson) pip install chromadb qiling. Xotirada chromadb.Client() bilan kolleksiya yarating, 4-5 ta o'zbekcha jumla qo'shing (Chroma o'zi embed qilsin) va query_texts bilan bitta savol bering. Topilgan hujjatlar mantiqliligini tekshiring.

  2. (Oson) Yuqoridagi kolleksiyada n_resultsni 1, 2 va 5 ga o'zgartirib, natija qanday o'zgarishini kuzating. natija["distances"]ni ham chop etib, masofa qaysi hujjatda kichikroq ekanini ko'ring.

  3. (O'rtacha) O'z embed modelingiz bilan ishlang: text-embedding-3-small (yoki bepul muqobil) orqali embed() funksiyasini yozing, vektorni embeddings/query_embeddings sifatida bering. Saqlash va qidirishda bir xil modeldan foydalanganingizga ishonch hosil qiling.

  4. (O'rtacha) Har bir hujjatga metadatas qo'shing (masalan {"bolim": "...", "yil": ...}). where={"bolim": "..."} va where={"yil": {"$gte": 2025}} filtrlari bilan qidirib, filtr natijani qanday cheklashini ko'rsating.

  5. (Qiyin) PersistentClient(path="./chroma_db") va get_or_create_collection bilan diskka saqlanadigan baza quring. Bazani faqat bo'sh bo'lganda (collection.count() == 0) to'ldiradigan mantiq yozing. Dasturni ikki marta ishga tushiring va ikkinchi safar qayta embed qilinmasligini (masalan, embed funksiyasiga print qo'yib) tasdiqlang.

⬅️ Oldingi: 13 β€” Embeddings va semantik qidiruv Β· 🏠 Kitob boshi Β· Keyingi: 15 β€” RAG: chunking va indekslash ➑️