Sviluppa e distribuisci una ricerca semantica con FastAPI e pgvector

Sviluppa un motore di ricerca per una base di conoscenza personale, in cui gli utenti incollano paragrafi ed eseguono ricerche per significato, oltre che per parole esatte.

Lo stack

Python con FastAPI
Postgres con pgvector come estensione
API Gemini per gli embedding
Ambiente di esecuzione Adios con segreti e collegamento al database gestito

Perché questa architettura si adatta alla ricerca semantica

I backend IA spesso importano librerie Python pesanti e inizializzano client API all’avvio. Su Adios, l’app FastAPI viene eseguita come un normale servizio persistente, così il backend può restare pronto senza ricostruire lo stato a ogni richiesta.

1. Sviluppa l’API

Chiedi all’agente IA Adios:

Build a FastAPI semantic search API. Add endpoints to insert documents and
search them using embeddings. Use Gemini for embeddings, Postgres pgvector for
similarity search, and /healthz for health checks.

2. Aggiungi `adios.yaml`

name: semantic-search
region: de
replicas: 1

build_cmd: python -m pip install -r requirements.txt
start_cmd: python -m uvicorn app.main:app --host 0.0.0.0 --port $PORT

runtime:
  name: python@3.13
  port: 8000
  health_path: /healthz
  memory_mb: 1024

env:
  DATABASE_URL: secret://DATABASE_URL
  GEMINI_API_KEY: secret://GEMINI_API_KEY

requires:
  - vector-db

Crea una risorsa Postgres pgvector chiamata vector-db, oppure imposta DATABASE_URL manualmente se ne hai già uno.

3. Distribuisci

adios secrets set GEMINI_API_KEY
adios up

La tua app riceve una route Adios generata con TLS, log di esecuzione e dettagli di connessione al database gestito, senza configurare un Dockerfile o una console cloud.

Consulta percorso di distribuzione FastAPI, il controlli di distribuzione pgvector, e lo specifico modello pgvector prima di adattare questo esempio a una raccolta di documenti in produzione.