Итоги курса

Курс об инструментах и данных в Laravel AI SDK.

Что ты узнал

• Tools — расширение агента
• Embeddings — вектора для поиска
• SimilaritySearch — встроенный tool
• RAG — поиск + генерация
• Память диалога — RemembersConversations
• Files — загрузка документов
• Provider Tools — WebSearch, WebFetch, FileSearch
• Reranking — переранжирование
• Практика — документ-поиск
• Тестирование — fakes для RAG
• Оптимизация — chunking, кеш, queue

Ключевые идеи

Tools расширяют. Агент может искать, выполнять, обращаться к API.

Embeddings — основа RAG. Вектора превращают текст в числа.

SimilaritySearch — встроено. Не нужно писать SQL.

RAG без fine-tuning. Актуальные данные без переобучения.

pgvector обязателен. Векторный поиск только на PostgreSQL.

Queue для embedding. Не блокируй HTTP.

Reranking для точности. Дороже, но лучше.

Частые ошибки

• Забыть ensureVectorExtensionExists()
• Генерировать embedding в HTTP-запросе
• Не ограничивать minSimilarity
• Забыть limit в SimilaritySearch
• Не использовать index()
• Хранить большие документы без chunking
• Тестировать с реальными API

Что дальше

• Laravel MCP — серверы для AI-клиентов
• Laravel + AI: практика — продакшен

Полезные ссылки

• Laravel AI SDK: laravel.com/ai
• Embeddings: laravel.com/docs/13.x/ai-sdk#embeddings
• SimilaritySearch: laravel.com/docs/13.x/ai-sdk#similarity-search
• pgvector: github.com/pgvector/pgvector

Заключение

Инструменты и данные превращают агента из «умного чата» в полноценного помощника. RAG даёт доступ к твоим данным, Tools — к действиям, Provider Tools — к интернету. Главное — правильный chunking, кеш, очередь и тесты. Тогда RAG работает быстро и точно.