Context kaynakları
Dokümanlar
Wiki · PDF · object storage
Operasyon fact'leri
MySQL · PostgreSQL via CDC
Event stream'leri
Kafka · API · webhook
Tüm kullanım alanları
Structured fact, text ve vector için tek retrieval yolu
AI agent'ları için güvenilir context tasarlayın
AI uygulamalarına sınırlandırılmış context sunmadan önce dokümanları, operasyon fact'lerini ve canlı event'leri metadata filtreleri, full-text relevance ve vector retrieval ile birleştirin.
Tüm kaynaklar / son 1 saat
Birleşik olay akışı
ALL SOURCESAPPLICATIONKUBERNETESSECURITY
TIMESOURCELEVELMESSAGE
10:42:18.904checkout-apiERRORpayment upstream timeout · trace=8fa2
10:42:18.887k8s / podWARNreadiness probe failed · checkout-7c4
10:42:17.512doris-feINFOquery finished · latency=184ms
Hata artışı checkout deploy'undan 3 dk sonra başladıİncele →
Agent semantik olarak benzer pasajları getirebiliyor; fakat vector-only store'un anlamadığı güncel iş fact'lerine, erişim sınırlarına ve kesin kimliklere de ihtiyaç duyuyor.
İyi context bir prompt numarası değil; veri kalitesi, retrieval ve yönetişim sistemidir.
Pain
Relevant olmak; doğru, güncel veya izinli olmak değildir
01
Dokümanlar ve operasyon fact'leri ayrı store'larda drift ediyor.
02
Vector retrieval; tenant, zaman ve yetki sınırlarını bilinçli modelleme olmadan göz ardı ediyor.
03
Keyword, semantik ve structured ranking uygulama glue kodunda birleştiriliyor.
04
Agent sorgularını cevap üretildikten sonra incelemek zorlaşıyor.
REFERANS YOL / AI CONTEXT ENGINEERING
Context'i yönetişimli bir veri pipeline'ı olarak kurun.
Dokümanları, operasyon fact'lerini ve canlı event'leri bir arada tutun; agent'lara sınırlandırılmış context sunmadan önce structured filtre, full-text relevance ve vector similarity'yi birleştirin.
İçeri al & modelle
Embedding pipeline
Dışarıda chunk ve embed et
Streaming load
Sürekli fact ve event
Metadata modeli
Tenant · zaman · erişim etiketi
Sakla & indexle
HNSW / IVF
Approximate vector retrieval
Inverted index
Full-text ve BM25 relevance
VARIANT
Esnek kaynak metadata'sı
Getir & sırala
Pre-filter
Önce SQL predicate uygula
Hybrid retrieval
Text ve vector sinyali
Tek query planı
Fact, etiket ve relevance
AI'a sun
MCP Server
Agent'lar için sınırlı araçlar
REST veya SQL
Uygulama retrieval yolu
Audit izi
Sorgu ve kanıtı incele
Embedding'leri seçtiğiniz pipeline üretir; Doris vector'leri structured ve text context ile birlikte saklar ve getirir.
KURULUM PLANI / CONTEXT ENGINEERING
Retrieval kalitesini yönetişimli veri kontratı yapın
Tek agent sorusu ve küçük, yetkili bir corpus ile başlayın. Semantic recall'u ayarlamadan veya yeni sinyal eklemeden önce kimlik, freshness ve erişim filtrelerini tanımlayın.
01Doküman · fact · event
02Chunk · embed · stream
03Text · vector · metadata
04SQL · REST · MCP
- Store fixed-dimension embeddings with the source row and stable identity.
- Use inverted indexes and BM25 for lexical relevance; ANN indexes for vector candidates.
- Pre-filter tenant, policy, time and status fields before approximate ranking.
- Keep source metadata flexible in VARIANT while promoting policy fields to typed columns.
- Onboard the event and metadata sources with reviewable table and collector definitions.
- Use Data Catalog and SQL Studio to inspect schema, filters and retrieval results.
- Expose read-bounded access through the integration surface chosen for the agent.
- Track retrieval queries and evidence so a produced answer can be investigated.
CUTOVER'DAN ÖNCE
Kabul kapıları
- 1Erişim filtresi aşılamıyor
- 2Freshness policy açık
- 3Retrieval set'i incelenebilir
- 4Offline relevance testi kayıtlı
Ne değişir?
Araç değil, çalışma biçimi değişir.
- Doküman context'i yanında güncel operasyon fact'leri
- Semantik sıralamadan önce policy-aware filtreleme
- Analitik ve vector store arasında daha az senkronizasyon noktası
- Agent workflow'ları için incelenebilir retrieval sorguları
CONTACT / HUBSPOT
Tek workload getirin. Ölçülmüş bir kararla çıkın.
Mevcut maliyeti ve araştırma yolunu çıkaralım; hiçbir şeyi değiştirmeden önce başarı kriterlerini belirleyelim.