Oferuje trzy tryby (dense, sparse, hybrid), rerank i filtrowanie metadanych, a do tego obserwowalność jakości retrievalu. Model jest natywnie wielojęzyczny (m.in. polski) i radzi sobie z mieszanymi językami w jednym indeksie — pytanie po polsku znajduje odpowiedź niezależnie od języka źródła. Pojedyncze zapytanie (embedding + retrieval) zwykle schodzi poniżej ~50 ms na typowym indeksie — wartość mierzysz w dashboardzie obserwowalności retrievalu, a nie obiecujemy jej w oderwaniu od Twoich danych. Deploy self-host daje kontrolę nad kosztem i prywatnością. To silnik, na którym stawiamy Company GPT i wewnętrzne wyszukiwarki wiedzy. Pod spodem działa model BGE-M3 — parametry techniczne (1024-dim, embeddingi); to ten sam lokalny model, który napędza Concierge RAG tej strony.
cashcrown // silnik wyszukiwania
BGE-M3 Search
bge-m3-searchliveSelf-hosted serwis embeddingów i wyszukiwania semantycznego z dashboardem i obserwowalnością retrievalu.
<50ms
latencja
3×
tryby search
self-host
deploy
// 01
Problem
Wyszukiwarka po słowach kluczowych nie rozumie intencji, a gotowe API embeddingów wysyłają dane na zewnątrz i rosną z ruchem. Bez własnego retrievalu każdy RAG stoi na cudzym fundamencie.
// 02
Możliwości
- tryby search: dense, sparse, hybrid
- rerank i filtrowanie metadanych
- obserwowalność jakości retrievalu
- fundament pod dowolny RAG
// 03
Zakres wdrożenia
- Lokalna usługa embeddingów (1024-dim) — treść nie opuszcza Waszej infrastruktury
- Wyszukiwanie gęste/rzadkie/hybrydowe + reranking + filtrowanie po metadanych
- Dashboard z pełną obserwowalnością retrievalu (co znaleziono i dlaczego)
- Reindex jedną komendą + parytet embeddingów lokalnie i na produkcji
Ten produkt składamy z mierzonych modeli i komponentów — zobacz pełny pipeline na żywo:
// 04
Pilotaż z dowodami
Pakiet pilotażowy: lokalny retrieval i RAG
BGE-M3 sprzedajemy jako lokalny fundament wyszukiwania wiedzy, nie jako abstrakcyjny model embeddingów. Proof łączy produkt z playgroundem, przepisem budowy i rezydencją danych.
1024
wymiary embeddingów
3x
dense, sparse, hybrid
local
indeks i embeddingi
Dowody
Embeddings playground
Publiczne demo pokazuje lokalne wektory i podobieństwo semantyczne bez zapisu danych.
zobacz dowódConcierge RAG
Przepis pokazuje, jak retrieval zasila odpowiedzi z cytatami i eskalacją do człowieka.
zobacz dowódZgodność i rezydencja danych
Trust center opisuje granice RODO, PII, rejestry i zasady pracy z danymi wrażliwymi.
zobacz dowódŚcieżka pilotażu
- 01Wybieramy jeden korpus wiedzy i mierzymy jakość retrievalu przed generacją.
- 02Indeksujemy lokalnie, dodajemy filtry metadanych i cytaty źródeł.
- 03Zostawiamy raport: trafność, braki wiedzy, koszt utrzymania i decyzja rollout.
// 05
Integracje
QdrantpgvectorFastAPIMeiliSearch
// 06
Architektura
Wybierz węzeł, aby zobaczyć opis i przepływ danych.
Architektura — opis tekstowy
- Wejście / dane
- Źródła danych — Treści, dokumenty i zdarzenia trafiają do indeksu. (Przepływ do: BGE-M3)
- BGE-M3 — Lokalne embeddingi (1024-dim) — PII zostaje na miejscu. (Przepływ do: Router OpenClaw)
- Rdzeń AI
- Router OpenClaw — Jedyne wejście do modeli — maskuje PII, dobiera model, limituje. (Przepływ do: BGE-M3 Search)
- BGE-M3 Search — Self-hosted serwis embeddingów i wyszukiwania semantycznego z dashboardem i obserwowalnością retrievalu. (Przepływ do: API)
- Wyjście / integracje
- API — Powierzchnia REST — odpowiedzi z cytatami i kontrolą dostępu. (Przepływ do: Qdrant, pgvector, FastAPI, MeiliSearch)
- Qdrant — Integracja: Qdrant.
- pgvector — Integracja: pgvector.
- FastAPI — Integracja: FastAPI.
- MeiliSearch — Integracja: MeiliSearch.
// 07
Demo na żywo
// 08
FAQ
Ile kosztuje i jak wygląda wdrożenie?
Pracujemy w przedziałach zależnych od zakresu — zaczynamy od pilotażu o stałym koszcie, żebyś zobaczył wartość przed większą inwestycją. Gdy rozwiązanie odbiera kilkanaście–kilkadziesiąt godzin pracy miesięcznie, zwykle zwraca się w 2–4 miesiące. Zwrot policzysz w kalkulatorze ROI.
Czy integruje się z naszymi systemami i jest zgodne z RODO?
Tak. Łączymy się z Waszymi systemami przez kontrolowane, dozwolone narzędzia, a akcje nieodwracalne wymagają potwierdzenia (human-gate). PII maskujemy przed chmurą, wrażliwe ścieżki obsługujemy lokalnie — zgodność z RODO i AI Act projektujemy od początku.
Czy działa offline / on-prem?
Tak — to serwis self-hosted; embeddingi i indeks zostają u Ciebie.
Pod co się nadaje?
Wyszukiwarka wiedzy, RAG, deduplikacja, podobieństwo dokumentów i ofert.
// →Powiązane