Introducing Convex AI Gateway: get to the model call

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

Pages in Grok Bot, clearly explained:

...covered with a full hands-on video demo.

RAG vs. Vectorless RAG, clearly explained!

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

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.

AI Search for Agents: Announcing Automated Embedding in MongoDB Atlas

See how Automated Embedding in MongoDB Vector Search solves the hardest problems in AI search for agents.

Vector search in MySQL: from a plugin to the top of the Contributor Summit agenda

This week vector search opened the MySQL Contributor Summit. A plugin started the fire, the M-ecosystem picked it up, the hyperscalers went native, and now the benchmark wars have begun.

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

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.