Updating a vector database is no simple thing

Learn Vector Databases for Beginners – Embeddings, Similarity Search & ChromaDB

A vector database stores data as lists of numbers called embeddings, which lets it search by meaning instead of matching exact keywords. It's the piece behind a lot of recommendation systems, RAG apps

Building a RAG Pipeline for Semantic Code Search: A Developer Diary and Field Notes

Part 2: Storage, Search, and Agent Tooling In this blog series, we aim to share some of the lessons we learned over the past six months as we built and rolled out Air Context, a production-grade RA

RAG vs. Vectorless RAG, clearly explained!

...explained visually (with tradeoffs in production).

Creating a Hybrid Vector Search Index in Databricks: Important Configuration Settings for RAG Applications

Learn how to configure a hybrid Vector Search index in Databricks for RAG, including source tables, embeddings, endpoints, primary keys, and triggered updates.

Build a Jev-powered Agentic RAG

Bối cảnh là việc xây dựng một hệ thống RAG (Retrieval-Augmented Generation) có khả năng năng động. Nguyên nhân kỹ thuật là cần một framework có thể xử lý các tác vụ tự nhiên mà không bị giới hạn bởi các prompt cố định. Hệ quả là hệ thống có thể tự điều chỉnh hành vi dựa trên ngữ cảnh đầu vào. Điều đáng học là cách triển khai Jev-powered agent cho RAG giúp tăng tính linh hoạt và khả năng xử lý các tác vụ phức tạp. Bài viết cung cấp hướng dẫn chi tiết với code mẫu để triển khai hệ thống này.

Bài viết này hướng dẫn bạn cách xây dựng hệ thống Retrieval-Augmented Generation với khả năng tự chủ bằng Jev, kèm theo code ví dụ cụ thể.

Vector Database Use Cases: Search, RAG, and AI Apps

The most common vector database use cases are semantic search, RAG, recommendations, and multimodal search. Learn how each works and when to use them.

Video Encoding for the Web in 2026: Part 1: Introduction

Roughly 18 months ago, I started working on streaming video from this site. The web side of that is fairly easy — use Shaka Player or similar to handle the JavaScript for playback, and serve up a bunch of .mp4 files with a DASH manifest. You end up with a lot of bytes, but very little actual complexity. They’re all just files that any web server can serve. The hard part turned out to be creating the video files. The problem was (and is) that there are too many choices that need to be made. You need to pick a set of resolutions to serve, you need to pick a set of codecs to support, and then you need to configure each codec at each resolution to get reasonable quality at a reasonable bitrate. None of the choices that need to be made here have a simple, correct answer. Everything ends up involving tradeoffs. This is the first of a set of 7 or 8 posts that aim to explain the tradeoffs, explain the choices that I’ve made for them, offer the data behind the choices, and then try to provide guidance and tools so you can make your own choices. Here’s what I’m planning on posting over the next few weeks: Part 1: Introduction (this post) Part 2: Methodology and Tooling Part 3: H.264 Part 4: H.265 Part 5: AV1 Part 6: Hardware vs Software encoding Part 7: Source Formats and Encoding Quality I may also add another post comparing encoding time on various platforms, depending on how much energy I’m willing to put into it.

AI in Production Without a WHERE Clause

Bối cảnh triển khai AI mà không có bước review rủi ro giống như thiếu một WHERE clause trong SQL có thể dẫn đến đêm dài khắc phục sự cố. Nguyên nhân kỹ thuật nằm ở việc các model AI có thể tạo ra dữ liệu không mong muốn khi không có bộ lọc phù hợp. Hệ quả có thể rất nghiêm trọng khi hệ thống AI vô tình tạo ra nội dung độc hại, sai lệch hoặc vi phạm chính sách. Đáng học hỏi là bài nhấn mạnh việc xác định rõ vị trí của cơ chế "phanh" (brake) trong hệ thống AI và ai chịu trách nhiệm kiểm soát nó.

Bài viết này giải thích tại sao thiếu bước kiểm duyệt trong AI sản xuất có thể dẫn đến hậu quả nghiêm trọng như lỗi query SQL không có WHERE clause.