# Bouwen van een "Advocaat GPT" voor uw blog - Deel 3: Begrijpen Inbeddingen & Vector Databanken

<!--category-- AI, LLM, Embeddings, Vector Database, C#, AI-Article, mostlylucid.blogllm -->
<datetime class="hidden">2025-11-12T22:45</datetime>

> WAARSCHUWING: Deze zijn ontwerp-Posts die 'onthuld'.

Het is waarschijnlijk veel van wat hieronder zal niet werken; IK genereren deze als how-to voor MIJ en dan doen alle stappen en krijg de sample app werken...Je bent stiekem en ze gezien! ze zullen waarschijnlijk klaar zijn medio december.

<img src="https://media1.tenor.com/m/_rQc7PIEqwQAAAAd/cat-hello-cat-peek.gif" height="300px" />
## Inleiding

Welkom bij deel 3![We hebben onze GPU stack werken (](/blog/building-a-lawyer-gpt-for-your-blog-part2)Deel 2[), en we begrijpen de architectuur (](/blog/building-a-lawyer-gpt-for-your-blog-part1)Deel 1**[](https://www.sbert.net/)**Nu is het tijd om in de magie te duiken die semantisch zoeken mogelijk maakt:**inbeddingen**.

> en

vectordatabases

[TOC]

## OPMERKING: Dit maakt deel uit van mijn experimenten met AI (ondersteund opstellen) + mijn eigen bewerking.

Dezelfde stem, hetzelfde pragmatisme, gewoon snellere vingers.

### Dit is waar dingen interessant worden.

We zullen begrijpen hoe we tekst als getallen kunnen representeren op een manier die betekenis vangt, niet alleen trefwoorden.

```mermaid
graph TD
    subgraph "2D Embedding Space (simplified)"
        A[cat: 0.8, 0.2]
        B[kitten: 0.7, 0.3]
        C[dog: 0.6, 0.1]
        D[puppy: 0.5, 0.2]
        E[car: -0.5, 0.8]
        F[vehicle: -0.6, 0.7]
        G[database: 0.1, -0.7]
        H[SQL: 0.2, -0.8]
    end

    class A,B cats
    class C,D dogs
    class E,F vehicles
    class G,H tech

    classDef cats stroke:#333
    classDef dogs stroke:#333
    classDef vehicles stroke:#333
    classDef tech stroke:#333
```

Het is het verschil tussen het vinden van berichten die het woord "docker" bevatten vs het vinden van berichten die semantisch over containerization concepten.

- Wat zijn inbeddingen?
- Een inbedding is een numerieke weergave van tekst (of afbeeldingen, audio, enz.) als vector - in wezen een lijst van getallen.
- De intuïtie
- Stel je voor dat je woorden plant in een 2D ruimte gebaseerd op hun betekenis:

**Soortgelijke concepten clusteren samen:**Huisdieren (rood/groen) zijn dicht bij elkaar

### Voertuigen (blauw) zijn gegroepeerd

Technische termen (geel) cluster

- Niet-gerelateerde concepten liggen ver uit elkaar
- Echte inbeddingen

```mermaid
graph LR
    A[Text: 'Docker container'] --> B[Embedding Model]
    B --> C[Vector: 384 floats]

    D[Text: 'containerization'] --> B
    B --> E[Vector: 384 floats]

    C -.Similar.-> E

    F[Text: 'chocolate cake'] --> B
    B --> G[Vector: 384 floats]

    C -.Very Different.-> G

    class B model
    class C,E similar
    class G different

    classDef model stroke:#333,stroke-width:4px
    classDef similar stroke:#333
    classDef different stroke:#333
```

### gebruik 384 tot 1536 afmetingen (niet alleen 2!), het vastleggen van veel meer nuance.

Hoe het werkt**Een inbedding model is een neuraal netwerk getraind om tekst in kaart te brengen naar vectoren die:**Soortgelijke betekenissen → vectoren sluiten

```csharp
public static float CosineSimilarity(float[] vectorA, float[] vectorB)
{
    if (vectorA.Length != vectorB.Length)
        throw new ArgumentException("Vectors must have same length");

    // Dot product: sum of element-wise multiplication
    float dotProduct = 0;
    for (int i = 0; i < vectorA.Length; i++)
    {
        dotProduct += vectorA[i] * vectorB[i];
    }

    // Magnitude of each vector: sqrt(sum of squares)
    float magnitudeA = 0;
    float magnitudeB = 0;
    for (int i = 0; i < vectorA.Length; i++)
    {
        magnitudeA += vectorA[i] * vectorA[i];
        magnitudeB += vectorB[i] * vectorB[i];
    }
    magnitudeA = MathF.Sqrt(magnitudeA);
    magnitudeB = MathF.Sqrt(magnitudeB);

    // Cosine similarity: dot product / (magnitude_a * magnitude_b)
    return dotProduct / (magnitudeA * magnitudeB);
}
```

**Verschillende betekenissen → verre vectoren**:

- `1.0`Gelijksoortigheid meten
- `0.0`We gebruiken
- `-1.0`Cosinus-vergelijkbaarheid

**om te meten hoe dicht twee vectoren zijn:**:

```csharp
var dockerEmbed = new float[] { 0.5f, 0.3f, -0.2f, 0.8f };  // "Docker container"
var containerEmbed = new float[] { 0.45f, 0.35f, -0.18f, 0.75f };  // "containerization"
var cakeEmbed = new float[] { -0.7f, 0.1f, 0.9f, -0.3f };  // "chocolate cake"

Console.WriteLine(CosineSimilarity(dockerEmbed, containerEmbed));  // ~0.95 (very similar!)
Console.WriteLine(CosineSimilarity(dockerEmbed, cakeEmbed));  // ~0.15 (unrelated)
```

## Cosinus overeenkomst varieert van -1 tot 1

= identieke betekenis

> = niet gerelateerd

= tegenovergestelde betekenis (zeldzaam in de praktijk)

- Voorbeeld
- Waarom inbeddingen perfect zijn voor ons gebruik geval
- Onthoud, we bouwen een schrijfassistent.
- Als ik begin met schrijven:

**"In deze post zal ik laten zien hoe entiteit Framework te gebruiken met..."**Het systeem zou eerder berichten moeten vinden over:

### Entiteitskader

```mermaid
graph TB
    subgraph "Traditional Keyword Search"
        A1[Query: 'Docker setup'] --> B1[Find: 'Docker' OR 'setup']
        B1 --> C1[❌ Misses: 'containerization guide']
        B1 --> D1[❌ Misses: 'running containers']
        B1 --> E1[✅ Finds: 'Docker setup tutorial']
    end

    subgraph "Embedding-Based Semantic Search"
        A2[Query: 'Docker setup'] --> B2[Generate embedding]
        B2 --> C2[Find similar embeddings]
        C2 --> D2[✅ Finds: 'containerization guide']
        C2 --> E2[✅ Finds: 'running containers']
        C2 --> F2[✅ Finds: 'Docker setup tutorial']
    end

    class B2,C2 semantic

    classDef semantic stroke:#333,stroke-width:2px
```

## Toegangspatronen voor databases

ORM-configuraties

1. **Gerelateerde ASP.NET kernthema's**Niet alleen het sleutelwoord komt overeen!
2. **Het moet begrijpen dat "EF Core migraties" gerelateerd is, ook al staat er geen "Entity Framework."**Inbeddingen vs Traditioneel zoeken
3. **Een inbeddingsmodel kiezen**Er zijn veel inbeddingsmodellen.
4. **We hebben er één nodig die:**Loopt lokaal

### (privacy + snelheid)

Werkt met ONNX Runtime
|-------|------------|------|---------|-------|
| **(zodat we onze GPU kunnen gebruiken)** | 384 | 80MB | Good | Very Fast ⚡⚡⚡ |
| **Goede kwaliteit** | 768 | 420MB | Better | Fast ⚡⚡ |
| **(nauwkeurig semantisch begrip)** | 384 | 133MB | Better | Very Fast ⚡⚡⚡ |
| **Juiste grootte** | 768 | 436MB | Best | Fast ⚡⚡ |
| **(384-768 afmetingen is goed evenwicht)** | 1536 | N/A (API) | Excellent | Slow (network) ⚡ |

**Populaire opties**: **Model Afmetingen Grootte Kwaliteit Snelheid**

- all-MiniLM-L6-v2
- all-mpnet-base-v2
- bge-small-en-v1.5
- bge-base-en-v1.5

### OpenAI text-embedding-ada-002

Mijn aanbeveling

**bge-base-en-v1.5**:

```bash
pip install optimum[exporters]
```

**State-of-the-art open source model**:

```bash
optimum-cli export onnx --model BAAI/bge-base-en-v1.5 --task feature-extraction bge-base-en-onnx/
```

768 afmetingen (goed evenwicht)

```
bge-base-en-onnx/
    model.onnx           # The neural network
    tokenizer.json       # Text → tokens converter
    tokenizer_config.json
    special_tokens_map.json
    config.json
```

**Werkt geweldig met ONNX Runtime**:
Vrij en loopt lokaal

## Omzetten naar ONNX-formaat

De meeste modellen zijn in PyTorch formaat.

### We hebben ONNX nodig voor C#.

```bash
mkdir EmbeddingTest
cd EmbeddingTest
dotnet new console
dotnet add package Microsoft.ML.OnnxRuntime.Gpu --version 1.16.3
dotnet add package Microsoft.ML.Tokenizers --version 0.1.0-preview.23511.1
```

**Optimum installeren (Python-bibliotheek voor conversie)**

- `OnnxRuntime.Gpu`Omzetten BGE model
- `Microsoft.ML.Tokenizers`Dit creëert:

### Downloaden als u niet wilt converteren

Veel modellen zijn voorgeconverteerd en beschikbaar op Hugging Face met "onnx" in de naam.

```csharp
using Microsoft.ML.Tokenizers;
using System;
using System.Linq;

public class SimpleTokenizer
{
    private readonly Tokenizer _tokenizer;

    public SimpleTokenizer(string tokenizerPath)
    {
        // Load the tokenizer.json file
        _tokenizer = Tokenizer.CreateTokenizer(tokenizerPath);
    }

    public (long[] InputIds, long[] AttentionMask) Tokenize(string text, int maxLength = 512)
    {
        // Tokenize the text
        var encoding = _tokenizer.Encode(text);

        // Get token IDs
        var ids = encoding.Ids.Select(i => (long)i).ToArray();

        // Pad or truncate to maxLength
        var inputIds = new long[maxLength];
        var attentionMask = new long[maxLength];

        int length = Math.Min(ids.Length, maxLength);

        // Copy actual tokens
        Array.Copy(ids, inputIds, length);

        // Set attention mask (1 = real token, 0 = padding)
        for (int i = 0; i < length; i++)
        {
            attentionMask[i] = 1;
        }

        return (inputIds, attentionMask);
    }
}
```

**Inbeddingen in C# gebruiken**

1. **Laten we een praktische inbedding generator bouwen met behulp van ONNX Runtime.**Projectopstelling`[101, 8667, 2088, 102]`
   
   - Waarom deze pakketten?
   - - Start het model op GPU[- Tekst omzetten naar token-ID's (modelinvoerformaat)[Tokenization first

2. **Voor inbedding moeten we token (tekst omzetten naar getallen):**Wat gebeurt hier?
   
   - Codering
   - - "Hallo world" →

3. **Elk nummer is een token ID uit de woordenschat van het model**Speciale penningen: 101 =
   
   - `1`CLS], 102 =
   - `0`SEP]

```mermaid
graph LR
    A["Text: 'Docker setup'"] --> B[Tokenizer]
    B --> C[Token IDs:<br/>101, 12849, 12229, 102]
    C --> D[Pad to 512]
    D --> E[Input IDs:<br/>101, 12849, 12229, 102, 0, 0,...]
    D --> F[Attention Mask:<br/>1, 1, 1, 1, 0, 0,...]

    E --> G[Feed to Model]
    F --> G

    class B,G process

    classDef process stroke:#333,stroke-width:2px
```

### Opvulling

- Modellen verwachten invoer met vaste lengte

```csharp
using Microsoft.ML.OnnxRuntime;
using Microsoft.ML.OnnxRuntime.Tensors;
using System;
using System.Collections.Generic;
using System.Linq;

public class EmbeddingGenerator : IDisposable
{
    private readonly InferenceSession _session;
    private readonly SimpleTokenizer _tokenizer;
    private readonly int _embeddingDimension;

    public EmbeddingGenerator(string modelPath, string tokenizerPath, bool useGpu = true)
    {
        // Setup session options
        var options = new SessionOptions();
        if (useGpu)
        {
            options.AppendExecutionProvider_CUDA(0);
        }

        // Load model
        _session = new InferenceSession(modelPath, options);

        // Load tokenizer
        _tokenizer = new SimpleTokenizer(tokenizerPath);

        // Get embedding dimension from model output shape
        var outputMetadata = _session.OutputMetadata["last_hidden_state"];
        _embeddingDimension = outputMetadata.Dimensions[2]; // Usually 768 for base models
    }

    public float[] GenerateEmbedding(string text)
    {
        // Step 1: Tokenize
        var (inputIds, attentionMask) = _tokenizer.Tokenize(text);

        // Step 2: Create input tensors
        var inputIdsTensor = new DenseTensor<long>(inputIds, new[] { 1, inputIds.Length });
        var attentionMaskTensor = new DenseTensor<long>(attentionMask, new[] { 1, attentionMask.Length });

        var inputs = new List<NamedOnnxValue>
        {
            NamedOnnxValue.CreateFromTensor("input_ids", inputIdsTensor),
            NamedOnnxValue.CreateFromTensor("attention_mask", attentionMaskTensor)
        };

        // Step 3: Run inference
        using var results = _session.Run(inputs);

        // Step 4: Extract embeddings from output
        var outputTensor = results.First().AsTensor<float>();

        // Output shape is [batch_size, sequence_length, embedding_dim]
        // We want [batch_size, embedding_dim] by mean pooling

        return MeanPooling(outputTensor, attentionMask);
    }

    private float[] MeanPooling(Tensor<float> outputTensor, long[] attentionMask)
    {
        int seqLength = outputTensor.Dimensions[1];
        int embeddingDim = outputTensor.Dimensions[2];

        var embedding = new float[embeddingDim];
        int tokenCount = 0;

        // Average across all non-padded tokens
        for (int seq = 0; seq < seqLength; seq++)
        {
            if (attentionMask[seq] == 0) continue; // Skip padding

            tokenCount++;
            for (int dim = 0; dim < embeddingDim; dim++)
            {
                embedding[dim] += outputTensor[0, seq, dim];
            }
        }

        // Divide by count to get mean
        for (int dim = 0; dim < embeddingDim; dim++)
        {
            embedding[dim] /= tokenCount;
        }

        // Normalize to unit length (common practice)
        return Normalize(embedding);
    }

    private float[] Normalize(float[] vector)
    {
        float magnitude = 0;
        foreach (var val in vector)
        {
            magnitude += val * val;
        }
        magnitude = MathF.Sqrt(magnitude);

        var normalized = new float[vector.Length];
        for (int i = 0; i < vector.Length; i++)
        {
            normalized[i] = vector[i] / magnitude;
        }

        return normalized;
    }

    public void Dispose()
    {
        _session?.Dispose();
    }
}
```

**Als de tekst kort is: pad met nullen**:

1. **Als de tekst lang is: afgekort**Attentiemasker
2. **- Vertelt het model welke tokens echt zijn vs vulling**= dit token verwerken
3. **= negeren (opvulling)**Generatorklasse inbedding
4. **Nu de volledige inbedding pijplijn:**Opsplitsing van de code
5. **Modelbelasting**- Creëert ONNX-sessie met GPU-ondersteuning
6. **Tokenisatie**- Converteert tekst naar token ID's

### Aanmaken van tensor

```mermaid
graph TB
    A[Model Output:<br/>Token Embeddings] --> B["Token 0 (CLS):<br/>(0.1, 0.5, -0.3, ...)"]
    A --> C["Token 1 (Docker):<br/>(0.4, 0.2, -0.1, ...)"]
    A --> D["Token 2 (setup):<br/>(0.3, 0.6, -0.2, ...)"]
    A --> E["Token 3 (SEP):<br/>(0.2, 0.3, -0.4, ...)"]

    B --> F[Average]
    C --> F
    D --> F
    E --> F

    F --> G["Sentence Embedding:<br/>(0.25, 0.4, -0.25, ...)"]

    class A input
    class F process
    class G output

    classDef input stroke:#333
    classDef process stroke:#333,stroke-width:2px
    classDef output stroke:#333,stroke-width:2px
```

- Vormen van gegevens voor modelinvoer

- Conclusie
- - Hij leidt het neurale netwerk.
- Gemiddelde pooling

### - Gemiddelden token inbeddingen → enkele zin inbedding

```csharp
using System;

class Program
{
    static void Main(string[] args)
    {
        using var embedder = new EmbeddingGenerator(
            modelPath: "bge-base-en-onnx/model.onnx",
            tokenizerPath: "bge-base-en-onnx/tokenizer.json",
            useGpu: true
        );

        // Generate embeddings
        var embedding1 = embedder.GenerateEmbedding("Docker containerization tutorial");
        var embedding2 = embedder.GenerateEmbedding("Setting up containers with Docker");
        var embedding3 = embedder.GenerateEmbedding("Baking a chocolate cake");

        Console.WriteLine($"Embedding dimension: {embedding1.Length}");
        Console.WriteLine($"First 5 values: {string.Join(", ", embedding1.Take(5).Select(f => f.ToString("F4")))}");

        // Calculate similarities
        float sim12 = CosineSimilarity(embedding1, embedding2);
        float sim13 = CosineSimilarity(embedding1, embedding3);

        Console.WriteLine($"\nSimilarity (Docker vs Containers): {sim12:F4}");  // ~0.85
        Console.WriteLine($"Similarity (Docker vs Cake): {sim13:F4}");  // ~0.10
    }

    static float CosineSimilarity(float[] a, float[] b)
    {
        // Since vectors are normalized, dot product = cosine similarity
        float dot = 0;
        for (int i = 0; i < a.Length; i++)
        {
            dot += a[i] * b[i];
        }
        return dot;
    }
}
```

**Normalisatie**:

```
Embedding dimension: 768
First 5 values: 0.0123, -0.0456, 0.0789, -0.0234, 0.0567

Similarity (Docker vs Containers): 0.8542
Similarity (Docker vs Cake): 0.1023
```

- Maakt vectorlengte 1 (vereenvoudigt overeenkomst berekening)

## Gemiddelde pooling uitgelegd

We gemiddelden omdat:

### Elke token heeft zijn eigen inbedding

We hebben een inbedding nodig voor de hele zin.

**Averaging vangt de algemene betekenis op**:

```csharp
float bestSimilarity = -1;
int bestIndex = -1;

for (int i = 0; i < 10000; i++)
{
    float sim = CosineSimilarity(queryEmbedding, storedEmbeddings[i]);
    if (sim > bestSimilarity)
    {
        bestSimilarity = sim;
        bestIndex = i;
    }
}
```

**Gebruiksvoorbeeld**Uitvoer

Prachtig!

- Semantisch vergelijkbare inhoud heeft een hoge gelijkenis, niet-verbonden inhoud is laag.
- Vectordatabases

Nu hebben we inbeddingen.

### We moeten er miljoenen opslaan en efficiënt zoeken.

Het probleem

```mermaid
graph TB
    A[Query Embedding] --> B[Vector Database]
    B --> C{HNSW Index}

    C --> D[Layer 2:<br/>Coarse Search]
    D --> E[Layer 1:<br/>Refined Search]
    E --> F[Layer 0:<br/>Exact Search]

    F --> G[Top K Results]

    H[10,000 vectors] -.Indexed.-> C

    class B db
    class C index
    class G results

    classDef db stroke:#333,stroke-width:4px
    classDef index stroke:#333,stroke-width:2px
    classDef results stroke:#333,stroke-width:2px
```

**Laten we zeggen dat we 1000 blog posts hebben, elk in stukken verdeeld in 10 stuks = 10.000 inbeddingen.**:

- Naïef zoeken
- Probleem
- **: Dit is O(n) - we controleren elke inbedding.**

Langzaam!

### Voor 10.000 inbeddingen × 768 afmetingen elk:

~30 miljoen transacties met drijvende punten

1. ~50-100ms zelfs op snelle CPU
2. We hebben iets sneller nodig.
3. Vectordatabase-oplossing
4. Vector databases maken gebruik van slimme data structuren (zoals HNSW - Hierarchical Navigable Small World grafieken) om de dichtstbijzijnde buren in O(log n) tijd te vinden.

Snelheidsvergelijking
|----------|------------|------------|-------------|---------|
| **Naïef zoeken: 50-100ms voor 10K vectoren** | ✅ Excellent | Docker | Very Fast | Apache 2.0 |
| **Vector DB (HNSW): 1-5ms voor 10K vectoren** | ✅ (via Npgsql) | Postgres extension | Fast | PostgreSQL License |
| **10-50x sneller!** | ✅ Good | Docker | Very Fast | BSD-3 |
| **En het schalen: miljoen vectoren nog steeds slechts ~10-20ms.** | ⚠️ Limited | Docker/K8s | Very Fast | Apache 2.0 |
| **Een vectordatabase kiezen** | ❌ Python-first | Docker | Fast | Apache 2.0 |

**Voor ons C# project hebben we:**

- Goede C#-clientbibliotheek`Qdrant.Client`)
- Gemakkelijk in te zetten (Dokter)
- Goede prestaties
- Vrije / open bron
- Database C# Support Deployment Performance License

**Qdrant**

- pgvector
- Weaviate
- Milvus

Chroma**Mijn keuze: Qdrant**Uitstekende C# client (

## Eenvoudige inzet van Docker

### Speciaal gebouwd voor vector zoeken (niet aangekoppeld)

```bash
docker run -p 6333:6333 -p 6334:6334 \
    -v $(pwd)/qdrant_storage:/qdrant/storage \
    qdrant/qdrant
```

**Geweldige documentatie**:

- `6333`Actieve ontwikkeling
- `6334`Alternatief: pgvector

**We gebruiken PostgreSQL al voor de blog!**Kan alles in één database bewaren`./qdrant_storage`Iets minder performant maar eenvoudiger architectuur

### Voor deze serie, zal ik gebruiken

```bash
dotnet add package Qdrant.Client --version 1.7.0
```

### Qdrant

omdat het is ontworpen en gemakkelijker om de concepten te begrijpen.

```csharp
using Qdrant.Client;
using Qdrant.Client.Grpc;

public class QdrantSetup
{
    private readonly QdrantClient _client;

    public QdrantSetup(string host = "localhost", int port = 6334)
    {
        _client = new QdrantClient(host, port);
    }

    public async Task CreateCollectionAsync(string collectionName, ulong vectorSize)
    {
        // Check if collection exists
        var collections = await _client.ListCollectionsAsync();
        if (collections.Any(c => c.Name == collectionName))
        {
            Console.WriteLine($"Collection '{collectionName}' already exists");
            return;
        }

        // Create collection
        await _client.CreateCollectionAsync(
            collectionName: collectionName,
            vectorsConfig: new VectorParams
            {
                Size = vectorSize,  // 768 for bge-base
                Distance = Distance.Cosine  // Cosine similarity
            }
        );

        Console.WriteLine($"Created collection '{collectionName}' with {vectorSize} dimensions");
    }
}
```

**Maar ik zal pgvector laten zien als alternatief.**:

- `Size`Qdrant instellen
- `Distance`Docker Implementatie
  - `Distance.Cosine`Havens
  - `Distance.Euclid`- REST API
  - `Distance.Dot`- gRPC API (sneller, we zullen dit gebruiken)

### Opslag

```csharp
using Qdrant.Client.Grpc;
using System.Collections.Generic;

public class QdrantInserter
{
    private readonly QdrantClient _client;

    public QdrantInserter(QdrantClient client)
    {
        _client = client;
    }

    public async Task InsertBlogChunkAsync(
        string collectionName,
        ulong id,
        float[] embedding,
        string blogPostSlug,
        string chunkText,
        int chunkIndex)
    {
        var point = new PointStruct
        {
            Id = id,
            Vectors = embedding,
            Payload =
            {
                ["blog_post_slug"] = blogPostSlug,
                ["chunk_text"] = chunkText,
                ["chunk_index"] = chunkIndex,
                ["timestamp"] = DateTimeOffset.UtcNow.ToUnixTimeSeconds()
            }
        };

        await _client.UpsertAsync(collectionName, new[] { point });
    }

    public async Task InsertBatchAsync(
        string collectionName,
        List<(ulong id, float[] embedding, Dictionary<string, object> payload)> points)
    {
        var qdrantPoints = points.Select(p => new PointStruct
        {
            Id = p.id,
            Vectors = p.embedding,
            Payload = { p.payload }
        }).ToList();

        // Batch insert for efficiency
        await _client.UpsertAsync(collectionName, qdrantPoints);

        Console.WriteLine($"Inserted {points.Count} points");
    }
}
```

**: Persist data to**:

- op host
- C# Client-instellingen
- Een verzameling aanmaken

**Een verzameling is als een tabel - het bevat vectoren van een specifieke dimensie.**:

- Belangrijkste parameters
- - Moet overeenkomen met uw inbedding model (768 voor bge-base)

### - Hoe de gelijkenis te meten:

```csharp
public class QdrantSearcher
{
    private readonly QdrantClient _client;

    public QdrantSearcher(QdrantClient client)
    {
        _client = client;
    }

    public async Task<List<SearchResult>> SearchAsync(
        string collectionName,
        float[] queryEmbedding,
        int topK = 10)
    {
        var searchResult = await _client.SearchAsync(
            collectionName: collectionName,
            vector: queryEmbedding,
            limit: (ulong)topK,
            scoreThreshold: 0.7f  // Only return if similarity > 0.7
        );

        return searchResult.Select(r => new SearchResult
        {
            Id = r.Id.Num,
            Score = r.Score,
            BlogPostSlug = r.Payload["blog_post_slug"].StringValue,
            ChunkText = r.Payload["chunk_text"].StringValue,
            ChunkIndex = (int)r.Payload["chunk_index"].IntegerValue
        }).ToList();
    }

    public async Task<List<SearchResult>> SearchWithFilterAsync(
        string collectionName,
        float[] queryEmbedding,
        string blogPostSlug,  // Only search within this post
        int topK = 5)
    {
        var filter = new Filter
        {
            Must =
            {
                new Condition
                {
                    Field = new FieldCondition
                    {
                        Key = "blog_post_slug",
                        Match = new Match { Keyword = blogPostSlug }
                    }
                }
            }
        };

        var searchResult = await _client.SearchAsync(
            collectionName: collectionName,
            vector: queryEmbedding,
            filter: filter,
            limit: (ulong)topK
        );

        return searchResult.Select(r => new SearchResult
        {
            Id = r.Id.Num,
            Score = r.Score,
            BlogPostSlug = r.Payload["blog_post_slug"].StringValue,
            ChunkText = r.Payload["chunk_text"].StringValue,
            ChunkIndex = (int)r.Payload["chunk_index"].IntegerValue
        }).ToList();
    }
}

public class SearchResult
{
    public ulong Id { get; set; }
    public float Score { get; set; }
    public string BlogPostSlug { get; set; }
    public string ChunkText { get; set; }
    public int ChunkIndex { get; set; }
}
```

**- Cosinus overeenkomst (meest voorkomende)**:

- `limit`- Euclidische afstand
- `scoreThreshold`- Puntproduct
- `filter`Vectoren invoegen

### Payload uitgelegd

```csharp
using System;
using System.Threading.Tasks;

class Program
{
    static async Task Main(string[] args)
    {
        // Setup
        var embedder = new EmbeddingGenerator(
            "bge-base-en-onnx/model.onnx",
            "bge-base-en-onnx/tokenizer.json",
            useGpu: true
        );

        var client = new QdrantClient("localhost", 6334);
        var searcher = new QdrantSearcher(client);

        // User query
        string query = "How do I set up Docker with ASP.NET Core?";

        // Generate query embedding
        Console.WriteLine($"Searching for: {query}");
        var queryEmbedding = embedder.GenerateEmbedding(query);

        // Search
        var results = await searcher.SearchAsync(
            collectionName: "blog_embeddings",
            queryEmbedding: queryEmbedding,
            topK: 5
        );

        // Display results
        Console.WriteLine($"\nFound {results.Count} results:\n");

        foreach (var result in results)
        {
            Console.WriteLine($"Score: {result.Score:F4}");
            Console.WriteLine($"Post: {result.BlogPostSlug}");
            Console.WriteLine($"Chunk: {result.ChunkText.Substring(0, Math.Min(100, result.ChunkText.Length))}...");
            Console.WriteLine();
        }
    }
}
```

**Zoals metadata verbonden aan elke vector**:

```
Searching for: How do I set up Docker with ASP.NET Core?

Found 5 results:

Score: 0.8923
Post: dockercomposedevdeps
Chunk: In this post, I'll show you how to set up a development environment using Docker Compose. This is p...

Score: 0.8654
Post: dockercompose
Chunk: Docker Compose is a tool for defining and running multi-container Docker applications. With Compose...

Score: 0.8102
Post: addingentityframeworkforblogpostspt1
Chunk: You can set it up either as a windows service or using Docker as I presented in a previous post on...

Score: 0.7891
Post: imagesharpwithdocker
Chunk: When running ASP.NET Core applications in Docker containers, you may encounter issues with ImageSha...

Score: 0.7654
Post: selfhostingseq
Chunk: I use Docker Compose to run all my services. Here's the relevant part of my docker-compose.yml file...
```

Kan alles opslaan: posttitel, brok tekst, datum, categorieën

## Doorzoekbaar en filterbaar!

### Partij invoegen

Veel sneller dan een-voor-een

```csharp
public class BatchEmbeddingGenerator
{
    private readonly EmbeddingGenerator _embedder;

    public BatchEmbeddingGenerator(EmbeddingGenerator embedder)
    {
        _embedder = embedder;
    }

    public List<float[]> GenerateBatch(List<string> texts, int batchSize = 32)
    {
        var embeddings = new List<float[]>();

        for (int i = 0; i < texts.Count; i += batchSize)
        {
            var batch = texts.Skip(i).Take(batchSize).ToList();

            foreach (var text in batch)
            {
                embeddings.Add(_embedder.GenerateEmbedding(text));
            }

            Console.WriteLine($"Processed {Math.Min(i + batchSize, texts.Count)} / {texts.Count}");
        }

        return embeddings;
    }
}
```

**Qdrant verwerkt batches van 100-1000 efficiënt**

- Zoeken naar vectoren
- Zoekfuncties
- - Geef boven K het meest gelijkaardig terug

### - Alleen retourneren als de overeenkomst de drempel overschrijdt

- Filteren op metadata (bv. alleen zoeken naar specifieke berichten)

```csharp
using System.Security.Cryptography;
using System.Text;

public class EmbeddingCache
{
    private readonly Dictionary<string, float[]> _cache = new();

    public float[] GetOrGenerate(string text, Func<string, float[]> generator)
    {
        string hash = ComputeHash(text);

        if (_cache.TryGetValue(hash, out var cached))
        {
            return cached;
        }

        var embedding = generator(text);
        _cache[hash] = embedding;

        return embedding;
    }

    private string ComputeHash(string text)
    {
        using var sha256 = SHA256.Create();
        var bytes = sha256.ComputeHash(Encoding.UTF8.GetBytes(text));
        return Convert.ToBase64String(bytes);
    }
}
```

## Compleet voorbeeld: Search Pipeline

Uitvoer

### Perfect!

```sql
CREATE EXTENSION vector;
```

### Het vond relevante berichten over Docker en ASP.NET Core, hoewel de exacte zin niet verscheen.

```sql
CREATE TABLE blog_embeddings (
    id SERIAL PRIMARY KEY,
    blog_post_slug VARCHAR(255),
    chunk_text TEXT,
    chunk_index INT,
    embedding VECTOR(768)  -- 768 dimensions
);

-- Create HNSW index for fast search
CREATE INDEX ON blog_embeddings USING hnsw (embedding vector_cosine_ops);
```

### Optimalisatie van de prestaties

```csharp
using Npgsql;
using Pgvector;

public async Task InsertEmbeddingAsync(
    string slug,
    string chunkText,
    int chunkIndex,
    float[] embedding)
{
    await using var conn = new NpgsqlConnection(connectionString);
    await conn.OpenAsync();

    await using var cmd = new NpgsqlCommand(
        "INSERT INTO blog_embeddings (blog_post_slug, chunk_text, chunk_index, embedding) VALUES ($1, $2, $3, $4)",
        conn
    )
    {
        Parameters =
        {
            new() { Value = slug },
            new() { Value = chunkText },
            new() { Value = chunkIndex },
            new() { Value = new Vector(embedding) }
        }
    };

    await cmd.ExecuteNonQueryAsync();
}
```

### Batch-inbeddingsgeneratie

```csharp
public async Task<List<SearchResult>> SearchAsync(float[] queryEmbedding, int topK = 10)
{
    await using var conn = new NpgsqlConnection(connectionString);
    await conn.OpenAsync();

    await using var cmd = new NpgsqlCommand(
        @"SELECT blog_post_slug, chunk_text, chunk_index,
                 1 - (embedding <=> $1) as similarity
          FROM blog_embeddings
          ORDER BY embedding <=> $1
          LIMIT $2",
        conn
    )
    {
        Parameters =
        {
            new() { Value = new Vector(queryEmbedding) },
            new() { Value = topK }
        }
    };

    var results = new List<SearchResult>();

    await using var reader = await cmd.ExecuteReaderAsync();
    while (await reader.ReadAsync())
    {
        results.Add(new SearchResult
        {
            BlogPostSlug = reader.GetString(0),
            ChunkText = reader.GetString(1),
            ChunkIndex = reader.GetInt32(2),
            Score = reader.GetFloat(3)
        });
    }

    return results;
}
```

**`<=>`Genereer geen inbeddingen één voor één.**Batch ze!
**`1 - distance`**Waarom?

## GPU-gebruik: houdt GPU bezig

Geheugenefficiëntie: hergebruikt buffers

1. ✅ What embeddings are and why they enable semantic search
2. ✅ How to choose and convert an embedding model to ONNX
3. ✅ Generating embeddings in C# with ONNX Runtime
4. ✅ Vector database concepts (HNSW, similarity search)
5. ✅ Using Qdrant for vector storage and search
6. ✅ Alternative: pgvector in PostgreSQL
7. ✅ Performance optimization (batching, caching)

Voortgangstracking: feedback van de gebruiker

## Caching Inbeddingen

Inbeddingen niet regenereren voor ongewijzigde inhoud!**[pgvector alternatief](/blog/building-a-lawyer-gpt-for-your-blog-part4)**Als je alles in PostgreSQL wilt houden:

- Pgvector-extensie installeren
- Tabel aanmaken
- Invoegen vanuit C#
- Zoeken met pgvector[exploitant](https://qdrant.tech/)
- : Cosinusafstand (lager is meer vergelijkbaar)
- : Converteren naar gelijkenis score (hoger is beter)

Samenvatting

## We hebben het over:

- [We hebben nu de kerntechnologie om semantisch vergelijkbare blog inhoud te vinden!](/blog/building-a-lawyer-gpt-for-your-blog-part1)
- [Wat is het volgende?](/blog/building-a-lawyer-gpt-for-your-blog-part2)
- **In**Deel 4: Bouwen van de Ingestie Pijpleiding
- [, we bouwen de inname pijplijn:](/blog/building-a-lawyer-gpt-for-your-blog-part4)
- [Het lezen en ontleden van markdown bestanden (we doen dit al voor de blog!)](/blog/building-a-lawyer-gpt-for-your-blog-part5)
- [Intelligente brokstrategieën](/blog/building-a-lawyer-gpt-for-your-blog-part6)
- [Genereren van inbeddingen voor alle inhoud](/blog/building-a-lawyer-gpt-for-your-blog-part7)
- [Bulk invoegen in](/blog/building-a-lawyer-gpt-for-your-blog-part8)

## Qdrant

- [Behandeling van updates en verwijderingen](https://www.sbert.net/)
- [Toezicht op de voortgang](https://qdrant.tech/documentation/)
- [We verwerken onze hele blog corpus en hebben een doorzoekbare kennisbasis!](https://github.com/pgvector/pgvector)
- [Serienavigatie](https://onnxruntime.ai/)
- [Deel 1: Inleiding en architectuur](https://www.nuget.org/packages/Microsoft.ML.Tokenizers/)

Deel 2: GPU-instellingen & CUDA in C#[Deel 3: Inbeddingen en vectordatabases begrijpen](/blog/building-a-lawyer-gpt-for-your-blog-part4)!