We Asked for Socks, Got Pants: Six Ways to Search the Same Product Catalog

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

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

Announcing Web Answer on Amazon Bedrock AgentCore

Discover more about what's new at AWS with Announcing Web Answer on Amazon Bedrock AgentCore

RAG vs. Vectorless RAG, clearly explained!

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

10 Best AI GitHub Repositories to Supercharge Your Agent

GitHub là kho lớn nhất chứa công cụ AI miễn phí nhưng phần lớn lập trình viên chưa khai thác hiệu quả. Các agent như Claude Code thường được cài đặt mà không tận dụng được nguồn tài nguyên phong phú trên GitHub. Các kho lưu trữ AI hàng đầu như LangChain, LlamaIndex hay AutoGPT cung cấp framework mạnh để xây dựng agent thông minh hơn. Việc kết hợp các công cụ này có thể tăng đáng kể khả năng xử lý và tự động hóa của ứng dụng AI.

Bài viết này giúp bạn khám phá 10 kho GitHub AI mạnh nhất để tối ưu hóa khả năng của trợ lý lập trình.

Benchmarking Billion-Scale Vector Indexes

Benchmarking a vector index at billion-scale means tracking P99/P99.9 latency, Recall@K, QPS at a fixed recall target, index build time, RSS memory, and CPU usage, since averages hide failures. The team used three datasets for different jobs: SIFT-1B (128-d) to test raw scale, LAION-100M (768-d CLIP floats) to test real float behavior, and a self-built BookCorpus-10M (4096-d, via Llama 2) to approximate LLM-scale embeddings. Building BookCorpus-10M took 16 hours on five GPUs at about 173 vectors/sec, producing 164 GB that restores via cbbackupmgr in 2-3 minutes. Partition elimination, tagging vectors with a key like category_id, let a 10-partition layout skip 90% of the work per query, tightening P99 tail latency and raising throughput per core.

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.

Introducing the MongoDB Vercel AI SDK Integration: Persistent Memory for AI Applications

This integration enables MongoDB to serve as the persistent memory layer for AI applications and agents built with Vercel’s AI SDK.