[{"data":1,"prerenderedAt":693},["ShallowReactive",2],{"blog-mem0-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":13,"about":20,"sources":24,"cover":52,"og":53,"expertise":54,"locales":55,"lang":58,"title":59,"description":60,"coverAlt":61,"metaTitle":62,"takeaways":63,"faq":69,"toc":82,"blocks":107,"others":440},"mem0","2026-09-17",10,"rag",[9,10,11,12],"Agent memory","Long-term memory","RAG","Vector search",[4,14,15,16,17,18,19],"mem0 review","agent memory layer","mem0 self-hosted","mem0 pricing","long-term memory for agents","mem0 alternatives",[21],{"name":22,"url":23},"Mem0","https:\u002F\u002Fmem0.ai",[25,28,31,34,37,40,43,46,49],{"title":26,"url":27},"Mem0 documentation","https:\u002F\u002Fdocs.mem0.ai\u002Fintroduction",{"title":29,"url":30},"Mem0 quickstart","https:\u002F\u002Fdocs.mem0.ai\u002Fquickstart",{"title":32,"url":33},"How Mem0 works","https:\u002F\u002Fdocs.mem0.ai\u002Fcore-concepts\u002Fhow-it-works",{"title":35,"url":36},"Mem0 pricing","https:\u002F\u002Fmem0.ai\u002Fpricing",{"title":38,"url":39},"Mem0 on GitHub","https:\u002F\u002Fgithub.com\u002Fmem0ai\u002Fmem0",{"title":41,"url":42},"mem0ai on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Fmem0ai\u002F",{"title":44,"url":45},"Mem0 research and benchmarks","https:\u002F\u002Fmem0.ai\u002Fresearch",{"title":47,"url":48},"Mem0 MCP server","https:\u002F\u002Fdocs.mem0.ai\u002Fplatform\u002Fmem0-mcp",{"title":50,"url":51},"Mem0 paper on arXiv","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.19413","\u002Fimages\u002Fblog\u002Fmem0\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmem0\u002Fog.jpg","ai-engineer",[56,57,58],"en","de","hu","Mem0: mennyibe kerül egy ügynökmemória körönként","A Mem0 elemzése: körönként kinyert tények, az április 2026-i benchmark tábla platformra vonatkozó fenntartása, négy felhő-csomag és ami kimarad az önálló üzemeltetésből.","Négy negyedből álló gyűrű, mindegyik kis négyzetet ad egy halomra korongok fölött.","Mem0 teszt: memória, amely körönként kerül · Balázs Csorba",[64,65,66,67,68],"A Mem0 beszélgetésből tárolt tényeket készít: egy LLM kinyeri, duplikációszűri és beágyazza őket, így minden írás modellhívásba kerül a tárolás mellé.","A jelenlegi algoritmus 92,5 pontot ér el LoCoMon és 94,4-et LongMemEvalen, a README pedig azt állítja, hogy ezek a számok a kezelt platformról származnak, nem a nyílt forráskódú SDK-ból.","A felhő-csomagok: Hobby ingyenes, Starter havonta 19 dollár, Pro havonta 249 dollár; a graph memory és a Dream consolid csak a Pro csomagban van benne.","A nyílt forráskódú lekérés nem rendelkezik graph memoryval, csak entitás-átfedéssel erősít, az önálló üzemeltetés tehát az API-t veszi meg, nem a benchmark táblákat.","Az ingyenes csomag 10 000 írási és 1 000 lekérési kérést enged havonta, ami körülbelül 33 keresés naponta.",[70,73,76,79],{"q":71,"a":72},"Ingyenesen üzemeltethető önállóan a Mem0?","A könyvtár Apache-2.0 licencű, a README pedig docker compose szervert kínál alapból bekapcsolt hitelesítéssel, így nincs licencdíj. Az kinyeréshez továbbra is kell egy LLM, alapból gpt-5-mini, és vektortároló, alapból Qdrant — a költség az inferenciára és az üzemeltetésre tolódik át, nem előfizetésre.",{"q":74,"a":75},"Mem0 vagy egy összefoglaló Postgresben?","Ha egy terméknél felhasználónként egy rövid munkamenet van, a gördülő összefoglaló és a ténytáblázat olcsóbb, könnyebben ellenőrizhető, és nincs benne olyan kinyerési lépés, amely tényt talál ki ki. A Mem0 akkor éri meg, ha az emlékek a munkamenetek túlélnek, felhasználó-, ügynök- és lefutásszűrést igényelnek, és minden kérés forró útján olvasódnak.",{"q":77,"a":78},"Eléri-e a nyílt forráskódú verzió a publikált benchmark-értékeket?","Nem, ezt a repository is mondja: a számok a kezelt platformot tükrözik, amely olyan tulajdonságokat tartalmaz, amelyek nincsenek a nyílt forráskódú SDK-ban. A nyílt forráskódú lekérésnek nincs graph memoryja, és a konfigurált vektortárolótól függ.",{"q":80,"a":81},"Hogyan ér el a Mem0 egy olyan ügynököt, amely már MCP-t beszél?","A mcp.mem0.ai hosztált szerverén keresztül HTTPS-en, tizenegy eszközzel, köztük add_memory, search_memories, update_memory és delete_memory. Hitelesítése böngészős bejelentkezéssel vagy bearer tokenként küldött API-kulccsal történik, a fejlesztő gépén nem fut semmi.",[83,86,89,92,95,98,101,104],{"id":84,"title":85},"what-it-is","Mi ez",{"id":87,"title":88},"how-it-works","Hogyan működik",{"id":90,"title":91},"getting-started","Első lépések",{"id":93,"title":94},"benchmarks","Benchmark-ek",{"id":96,"title":97},"pricing","Árazás",{"id":99,"title":100},"where-it-shingles","Hol akad el",{"id":102,"title":103},"verdict","Ítélet",{"id":105,"title":106},"sources","Források",[108,112,115,118,130,148,149,152,158,161,162,177,179,186,197,198,201,258,261,271,272,275,320,323,324,327,373,376,381,382,385,397,401,402],{"type":109,"content":110},"paragraph",[111],"A Mem0 memóriaréteg ügynökökhöz: beszélgetés bemegy, tények jönnek ki, a tényeket pedig a következő modellhívás előtt visszakérdezzük. Itt az az álláspont, hogy ez a piac leggondosabban megépített memória-API-ja, ugyanakkor rossz alapértelmezés, mert egy LLM-hívás az írási úton ül — az emlékezés körönként számlázódik, nem felhasználónként. Akkor éri meg, ha az emlékeknek túl kell élniük a munkameneteket, és felhasználó-, ügynök- és lefutásszűrésre van szükség; ha nem, akkor egy gördülő összefoglaló és egy táblázat jobb nála.",{"type":109,"content":113},[114],"Az alkalmazás és a modell között ül, kiváltja a beszélgetési napló prompthoz fűzésének szokását, és a Zepnel, a LangMemnél, a Lettával, valamint azzal versenyez, amit egy csapat egy adatbázisból és egy összefoglaló lépésből összerak. Egy API alatt három formában érkezik: Apache-2.0 könyvtárként, docker compose mögé tett, alapból hitelesített önálló szerverként és dashboarddal, mért csomagokkal, MCP végponttal rendelkezett hosztolt platformként.",{"type":116,"level":117,"id":84,"text":85},"heading",2,{"type":109,"content":119},[120,121,125,126,129],"Két termék viseli ugyanezt a nevet. A nyílt forráskódú repository a Pythonhoz és JavaScripthez való ",{"tag":122,"children":123},"code",[124],"mem0ai"," könyvtár, amelyet egy folyamatba ágyazunk; a platform egy hosztolt API scope-okkal, csomagokkal és dashboardtal, amelyet ugyanaz az SDK ér el HTTPS-en, itt: ",{"tag":122,"children":127},[128],"api.mem0.ai",". A honlap 2026 októberének elején 62 590 GitHub-csillagot mutatott.",{"type":131,"ordered":132,"items":133},"list",false,[134,136,138,140,142,144,146],[135],"PyPI-n mem0ai néven, 2.2.1-es verzióban, Apache-2.0 alatt kiadva, mellé illeszkedő JavaScript-csomaggal.",[137],"Három üzemeltetési mód a README-ban: könyvtár prototípushoz, alapból hitelesített docker compose szerver csapatnak, és nulla üzemeltetési teherrel járó felhőplatform.",[139],"A műveletek: add, search, get_all, update és delete, mindegyik user_id, agent_id, app_id vagy run_id hatókörrel.",[141],"Az írás következtetésen alapul: egy LLM kinyeri a tartós tényeket, duplikációszűri és beágyazza őket, a infer=False viszont a nyers üzenetet tárolja.",[143],"Alapértelmezés: gpt-5-mini a kinyeréshez, text-embedding-3-small a beágyazáshoz, csomagolt vektortárolóként Qdrant.",[145],"Hosztolt MCP-szerver a mcp.mem0.ai domainen tizenegy memóriaeszközzel, böngészős bejelentkezéssel vagy bearer tokent kapó API-kulccsal hitelesítve.",[147],"A honlap szerinti megfelelőség: SOC 2 Type 1, HIPAA és GDPR, BYOK-kal és helyi üzemeltetéssel az Enterprise csomagban.",{"type":116,"level":117,"id":87,"text":88},{"type":109,"content":150},[151],"A folyamat aszimmetrikus, és ez az aszimmetria a termék. Addnál a Mem0 megnézi a kapcsolódó emlékeket, hogy ugyanaz a tény ne kerüljön kétszer tárolásra, LLM-mel kinyeri az új tényeket, duplikációszűri és beágyazza őket, kiveszi az entitásokat, majd SQL-tárolóba írja a tényeket és metaadataikat, vektortárolóba az beágyazásokat, entitástárolóba a linkeket. Searchnél négy jelzést értékkel és olvaszt össze: szemantikai hasonlóság, kulcsszó-egyezés, entitás-átfedés és egy időbeli jelzés a kinyeréskor írt metaadatokból.",{"type":153,"src":154,"alt":155,"wide":156,"caption":157},"image","\u002Fimages\u002Fblog\u002Fmem0\u002Fdiagram-7.webp","How a memory is written and read A conversation box on the left feeds an extraction box in the middle, labelled one LLM call and ADD only, which produces facts rather than transcripts. An arrow continues to a deduplicate box that embeds the facts and links entities. From there the flow fans out into three stores: a SQL store for facts and metadata, a vector store for embeddings, and an entity store for boosting. The three stores merge into a search box at the bottom, labelled semantic, keyword, entity and time. A long return arrow runs from the search box back to the conversation box, labelled memories into the prompt, which closes the loop. A label at the top right reads one model call on the write path.",true,"A tényeket addonként egyszer nyerjük ki, és szűrt kereséssel olvassuk vissza; a nyílt forráskódú verziónak nincs entitásgráfja, jelzése a kinyert kifejezések átfedése.",{"type":109,"content":159},[160],"A dokumentáció világosan megírja, mi következik ebből: a platform mind a négy jelzést graph-alapú entitás-egyeztetéssel olvasztja össze, a nyílt forráskódú verziónak nincs graph memoryja, csak az entitás-átfedéssel erősít, a konfigurált vektortárolótól függően. A kinyerés ráadásul additív — az új tény nem ír felül csendben egy régit —, a javításokhoz tehát explicit update vagy delete hívás kell. Audit naplóhoz ez a jó alapértelmezés, a felhasználónak, aki épp máshogy gondolja, idegesítő.",{"type":116,"level":117,"id":90,"text":91},{"type":109,"content":163},[164,165,168,169,172,173,176],"A hosztolt út két hívás. Telepítsük az SDK-t, vegyünk API-kulcsot a dashboardról, és adjunk minden híváshoz hatókört: egy ",{"tag":122,"children":166},[167],"user_id",", ",{"tag":122,"children":170},[171],"agent_id"," és ",{"tag":122,"children":174},[175],"run_id"," nélküli emléket az kapja meg, aki legközelebb kéri.",{"type":122,"code":178},"from mem0 import MemoryClient\n\nclient = MemoryClient(api_key=\"your-api-key\")\n\nmessages = [\n    {\"role\": \"user\", \"content\": \"I'm a vegetarian and allergic to nuts.\"},\n    {\"role\": \"assistant\", \"content\": \"Noted.\"},\n]\nclient.add(messages, user_id=\"user123\")\n\nresults = client.search(\n    \"What are my dietary restrictions?\",\n    filters={\"user_id\": \"user123\"},\n)\nfor r in results[\"results\"]:\n    print(r[\"memory\"], r[\"score\"])",{"type":109,"content":180},[181,182,185],"A nyílt forráskódú könyvtár ugyanilyen formájú, mögötte nincs szerver: ",{"tag":122,"children":183},[184],"from mem0 import Memory",", majd add, search, update és delete olyan tárolók ellen, amelyeket magunk üzemeltetünk. Az első hívás előtt LLM-kulcs kell és vektortároló — ez a valódi különbség a két fele között: a könyvtár Apache-2.0, a benchmark táblákat adó lekérés pedig a platformon él.",{"type":187,"variant":188,"title":189,"body":190},"callout","note","Mennyibe kerül az írási út",[191],[192,193,196],"A kinyerés minden ",{"tag":122,"children":194},[195],"add"," alkalmával lefut: egy körönként mentő chattermék íráskor modellhívást és beágyazást fizet a tárolás mellett a már amúgy is szükséges lekérés mellé. Ezért nem a csomag ára a követendő szám, hanem a beszélgetésenkénti költség. A dokumentáció azt is mondja, ne tároljunk titkokat és kezeletlen személyes adatokat, mert a tároló pont azért van, hogy kérdezzék.",{"type":116,"level":117,"id":93,"text":94},{"type":109,"content":199},[200],"A Mem0 közzéteszi a saját számait, többet, mint a legtöbb memóriaréteg, a README pedig leírja a módszert: egy menetben történő lekérés, egyetlen hívás ügynök-hurok nélkül, 200 találatos lekérési keret, ugyanazon a termelés-közeli modellveremen.",{"type":202,"head":203,"rows":214},"table",[204,206,208,210,212],[205],"Benchmark",[207],"2026. áprilisa előtt",[209],"Jelenlegi érték",[211],"Token lekérésenként",[213],"p50 késés",[215,226,237,248],[216,218,220,222,224],[217],"LoCoMo",[219],"71,4",[221],"92,5",[223],"7,0K",[225],"0,88 s",[227,229,231,233,235],[228],"LongMemEval",[230],"67,8",[232],"94,4",[234],"6,8K",[236],"1,09 s",[238,240,242,244,246],[239],"BEAM, 1M token",[241],"nem publikált",[243],"64,1",[245],"6,7K",[247],"1,00 s",[249,251,252,254,256],[250],"BEAM, 10M token",[241],[253],"48,6",[255],"6,9K",[257],"1,05 s",{"type":109,"content":259},[260],"A fenntartás ugyanebben a bekezdésben van: az értékek a kezelt platformot tükrözik, amely olyan tulajdonságokat hordoz, amelyek nincsenek a nyílt forráskódú SDK-ban, a nyílt forráskódú felhasználóknak irányában hasonló, nem azonos számokra kell számítaniuk. A mögötte álló tanulmány, amely 2025 áprilisában jelent meg az arXiv-en, 91%-kal alacsonyabb p95 késést és több mint 90%-os token-megtakarítást közöl a LoCoMo teljes kontextusú promptolásához képest, 26%-os relatív javulást az LLM-as-a-Judge mérőben az OpenAI memóriájához képest, és kb. 2%-ot a graph változattól.",{"type":187,"variant":262,"title":263,"body":264},"warn","A szállítói tábla nem összehasonlítás",[265],[266,267,270],"Aki ezek alapján a sorok alapján választja a Mem0-t a Zep vagy a promptba tett összefoglaló helyett, egy szállító platformját hasonlítja a saját veremhez. Az a rész érdemes reprodukálni, amit közzétettek: ",{"tag":122,"children":268},[269],"mem0ai\u002Fmemory-benchmarks",".",{"type":116,"level":117,"id":96,"text":97},{"type":109,"content":273},[274],"Az ár oldal két számlálót mér, írási és lekérési kéréseket, a végfelhasználók pedig minden csomagban korlátlanok. Az alábbi értékek azok, amelyeket az oldal 2026 októberének elején mutatott; forgalomra szabott árazás is létezik, ha egyik csomagba sem fér bele.",{"type":202,"head":276,"rows":285},[277,279,281,283],[278],"Csomag",[280],"Ár",[282],"Írási kérés havonta",[284],"Lekérési kérés havonta",[286,295,304,312],[287,289,291,293],[288],"Hobby",[290],"Ingyenes",[292],"10 000",[294],"1 000",[296,298,300,302],[297],"Starter",[299],"Havi 19 dollár",[301],"50 000",[303],"5 000",[305,307,309,311],[306],"Pro",[308],"Havi 249 dollár",[310],"500 000",[301],[313,315,317,319],[314],"Enterprise",[316],"Egyedi",[318],"Korlátlan",[318],{"type":109,"content":321},[322],"Két, a marketinget vivő funkció — a graph memory az entitások összefűzéséhez és a Dream consolid — a Pro és az Enterprise csomagban szerepel, nem az ingyenesekben, a README saját összehasonlítótáblája pedig a önállóan üzemeltetett szerver haladó funkcióit teasernek nevezi. A Hobby csomag 1 000 lekérése körülbelül 33 keresés naponta: elég egy integráció bebizonyításához, nem elég egy termék üzemeltetéséhez.",{"type":116,"level":117,"id":99,"text":100},{"type":109,"content":325},[326],"A gyengeségek szerkezetiek, nem kozmetikaiak. Minden add modellhívás, az írási késés és a token-számla is a beszélgetések volumenével nő, a kinyerési lépés pedig olyan következtetést tárolhat, amit a felhasználó sosem mondott ki — a származtatott tényt nehezebb ellenőrizni, mint a naplózott üzenetet. A Mem0-t érdekessé tevő funkciók a platformon élnek, a nyílt forráskódú verzió és a fizetős termék tehát inkább a nevet osztja meg, mint a funkciókészletet. A vendor-lock valós, de mérsékelt: az emlékek sorok, amelyek az API-n visszaolvashatók, a v3 API-ra való átáshoz pedig publikált útmutató van.",{"type":202,"head":328,"rows":337},[329,331,333,335],[330],"Választás",[332],"Memóriamodell",[334],"Üzemeltetési teher",[336],"Mire való",[338,346,355,364],[339,340,342,344],[22],[341],"Kinyert tények, felhasználó-, ügynök- és lefutásszűrve",[343],"Könyvtár, amit üzemeltetünk, vagy platform, amit fizetünk",[345],"Munkameneteken átívelő személyre szabás ismert beszélgetésenkénti költséggel",[347,349,351,353],[348],"Zep Graphitivel",[350],"Epizódokból álló időbeli tudásgráf",[352],"Graph-tároló és annak gondozása",[354],"Kapcsolatgazdag memória, ahol a sorrend számít",[356,358,360,362],[357],"LangMem",[359],"Memóriatárolók és szemantikus keresés a LangChain-veremben",[361],"A LangChain eszközláncának része",[363],"Már a LangChain-re épített csapatok",[365,367,369,371],[366],"Egy ténytáblázat",[368],"Saját magunk írt sorok plusz pgvector",[370],"Saját SQL és egy összefoglaló prompt",[372],"Rövid életű memória és szigorú auditkövetelmény",{"type":109,"content":374},[375],"Melyik illik, az attól függ, mennyi memóriát igényel a termék, nem attól, hogy melyik sor éri el a legmagasabb pontot LoCoMon. Egy ügyfélszolgálati ügynök néhány tucat tartós ténynek nem igényel memóriaréteget; egy egy évnyi előzményt tároló asszisztens nem engedheti meg magának, hogy újraolvassa a beszélgetést.",{"type":187,"variant":262,"title":377,"body":378},"A szakadék az SDK és a platform között",[379],[380],"A graph memory, az időbeli rendezés és az összefújt entitásjelzés platformfunkciók. Önálló üzemeltetésben vektorkeresés, kulcsszó-egyezés és entitás-átfedés jár, ezért annak a csapatnak ezen a funkciókészleten kell méreteznie a terméket, nem a benchmark táblákon.",{"type":116,"level":117,"id":102,"text":103},{"type":109,"content":383},[384],"Vegyük át, ha a memória olyan termékfunkció, amely túléli a munkameneteket, és az írási út modellhívása beépíthető a termék árába. Hagyjuk, ha egy munkamenet kontextus belefér egy összefoglalóba, vagy ha minden tárolt tényhez ember által ellenőrizhető származás kell, mert a beérkező inferencia itt a konstrukció, nem mellékhatás.",{"type":131,"ordered":156,"items":386},[387,389,391,393,395],[388],"A könyvtárral kezdjük: ugyanaz az API-forma, és a platformra váltás nyitva marad.",[390],"Minden hívást hatókörözünk. A hatókör nélküli emlék az egyetlen hiba, amely felhasználókon átterjed.",[392],"Az írási utat költsük be a csomag előtt: addonként egy kinyerési hívás a költségmodell, bármennyibe kerüljön is a csomag.",[394],"A platform graph memóriáért, időbeli rendezésért és összefújt lekérésért jár — ami a nyílt forráskódú verzióból hiányzik.",[396],"Soha ne tároljunk titkot vagy kezeletlen személyes adatot; a lekérés arra van tervezve, hogy felszínre hozza a tároló tartalmát.",{"type":398,"content":399},"quote",[400],"Avoid storing secrets, raw credentials, or unredacted sensitive data. Mem0 is designed to retrieve stored context.",{"type":116,"level":117,"id":105,"text":106},{"type":131,"ordered":156,"items":403},[404,409,412,416,420,424,428,432,436],[405],{"tag":406,"href":27,"children":407},"a",[408],"Mem0 dokumentáció",[410],{"tag":406,"href":30,"children":411},[29],[413],{"tag":406,"href":33,"children":414},[415],"Hogyan működik a Mem0",[417],{"tag":406,"href":36,"children":418},[419],"Mem0 árazás",[421],{"tag":406,"href":39,"children":422},[423],"Mem0 a GitHubon",[425],{"tag":406,"href":42,"children":426},[427],"mem0ai a PyPI-n",[429],{"tag":406,"href":45,"children":430},[431],"Mem0 kutatás és benchmark-ek",[433],{"tag":406,"href":48,"children":434},[435],"Mem0 MCP-szerver",[437],{"tag":406,"href":51,"children":438},[439],"Mem0 tanulmány az arXiv-en",[441,515,574,632],{"slug":442,"published":443,"minutes":444,"category":7,"tags":445,"keywords":449,"about":462,"sources":472,"cover":509,"og":510,"expertise":54,"locales":511,"lang":58,"title":512,"description":513,"coverAlt":514},"embedding-model-selection-2026","2026-10-17",9,[446,11,447,12,448],"Embeddings","MTEB","Model selection",[450,451,452,453,454,455,456,457,458,459,460,461],"best embedding model 2026","how to choose an embedding model","embedding model comparison","MTEB leaderboard explained","RTEB benchmark","open source embedding model","multilingual embedding model","voyage-4 vs openai embeddings","Qwen3-Embedding","EmbeddingGemma","embedding model for RAG","switching embedding models re-embed",[463,466,469],{"name":464,"url":465},"Word embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWord_embedding",{"name":467,"url":468},"Information retrieval","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FInformation_retrieval",{"name":470,"url":471},"Discounted cumulative gain","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDiscounted_cumulative_gain",[473,476,479,482,485,488,491,494,497,500,503,506],{"title":474,"url":475},"Enevoldsen et al.: MMTEB, Massive Multilingual Text Embedding Benchmark (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.13595",{"title":477,"url":478},"Hugging Face: Introducing RTEB, a new standard for retrieval evaluation (Oct 2025)","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Frteb",{"title":480,"url":481},"OpenAI: Vector embeddings guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fembeddings",{"title":483,"url":484},"OpenAI: API pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",{"title":486,"url":487},"Voyage AI: The Voyage 4 model family, shared embedding space with MoE architecture (Jan 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F01\u002F15\u002Fvoyage-4\u002F",{"title":489,"url":490},"Voyage AI: Text embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fembeddings",{"title":492,"url":493},"Voyage AI: Pricing","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fpricing",{"title":495,"url":496},"Google: Gemini API embeddings documentation","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fembeddings",{"title":498,"url":499},"Google: Gemini API pricing","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fpricing",{"title":501,"url":502},"Cohere: Embed models documentation","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Fcohere-embed",{"title":504,"url":505},"Qwen: Qwen3-Embedding-8B model card","https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen3-Embedding-8B",{"title":507,"url":508},"Google Developers Blog: Introducing EmbeddingGemma (Sep 2025)","https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fintroducing-embeddinggemma\u002F","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fog.jpg",[56,57,58],"Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon","Hogyan válassz embedding-modellt RAG-hoz 2026-ban: mit mond az MTEB és az RTEB, API vagy nyílt súlyok, árak, dimenziók és egy egyhetes összehasonlító teszt.","Három oszlop egymásra rakott kockákból, középen a legmagasabb, mindegyik rövid sávval mérve.",{"slug":516,"published":443,"minutes":6,"category":7,"tags":517,"keywords":521,"about":533,"sources":543,"cover":568,"og":569,"expertise":54,"locales":570,"lang":58,"title":571,"description":572,"coverAlt":573},"contextual-retrieval-late-chunking",[11,518,446,519,520],"Chunking","Contextual retrieval","Late chunking",[522,523,524,525,526,527,528,529,530,531,532],"contextual retrieval","anthropic contextual retrieval","late chunking","contextual chunk embeddings","contextual embeddings rag","contextual bm25","chunk context rag","voyage-context-3","voyage-context-4","late chunking vs contextual retrieval","rag chunking context loss",[534,537,540],{"name":535,"url":536},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",{"name":538,"url":539},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",{"name":541,"url":542},"Sentence embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSentence_embedding",[544,547,550,553,556,559,562,565],{"title":545,"url":546},"Anthropic: Introducing Contextual Retrieval (Sep 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fcontextual-retrieval",{"title":548,"url":549},"Günther et al.: Late Chunking, Contextual Chunk Embeddings Using Long-Context Embedding Models (2024, rev. 2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.04701",{"title":551,"url":552},"Jina AI: Late Chunking in Long-Context Embedding Models (Aug 2024)","https:\u002F\u002Fjina.ai\u002Fnews\u002Flate-chunking-in-long-context-embedding-models\u002F",{"title":554,"url":555},"Voyage AI: Introducing voyage-context-3 (Jul 2025)","https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F07\u002F23\u002Fvoyage-context-3\u002F",{"title":557,"url":558},"Voyage AI: voyage-context-4 (Jun 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F06\u002F29\u002Fvoyage-context-4\u002F",{"title":560,"url":561},"Voyage AI: Contextualized chunk embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fcontextualized-chunk-embeddings",{"title":563,"url":564},"Anthropic: Claude API pricing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing",{"title":566,"url":567},"Qu, Tu and Bao: Is Semantic Chunking Worth the Computational Cost? (2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.13070","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fog.jpg",[56,57,58],"Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat","A chunkok elveszítik a dokumentumukat. Hogyan javít ezen a contextual retrieval, a late chunking és a kontextusos embedding, mennyibe kerül, és mikor hagyd ki.","Négy szabad négyzet, alul széles kapocs fogja össze, mindegyik felfelé egy nagy laphoz kapcsolódik.",{"slug":575,"published":443,"minutes":444,"category":7,"tags":576,"keywords":580,"about":593,"sources":601,"cover":626,"og":627,"expertise":54,"locales":628,"lang":58,"title":629,"description":630,"coverAlt":631},"rag-access-control-permissions",[11,577,578,579,12],"Access control","Security","Multi-tenancy",[581,582,583,584,585,586,587,588,589,590,591,592],"rag access control","permission aware rag","document level security rag","rag multi tenancy","vector database access control","pgvector row level security","security trimming azure ai search","openfga rag authorization","qdrant multitenancy","pinecone namespaces multitenancy","owasp llm08 vector and embedding weaknesses","rag data leakage",[594,597,600],{"name":595,"url":596},"Access-control list","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAccess-control_list",{"name":598,"url":599},"Multitenancy","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultitenancy",{"name":535,"url":536},[602,605,608,611,614,617,620,623],{"title":603,"url":604},"OWASP GenAI Security Project: LLM08:2025 Vector and Embedding Weaknesses","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm082025-vector-and-embedding-weaknesses\u002F",{"title":606,"url":607},"PostgreSQL documentation: Row Security Policies","https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Fddl-rowsecurity.html",{"title":609,"url":610},"pgvector README: filtering and iterative index scans","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"title":612,"url":613},"Qdrant: Multitenancy and partitions guide","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fguides\u002Fmultiple-partitions\u002F",{"title":615,"url":616},"Pinecone: Implement multitenancy using namespaces","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fimplement-multitenancy",{"title":618,"url":619},"Microsoft Learn: Document-level access control in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsearch-document-level-access-overview",{"title":621,"url":622},"OpenFGA: RAG authorization use case","https:\u002F\u002Fopenfga.dev\u002Fdocs\u002Fuse-cases\u002Frag-authorization",{"title":624,"url":625},"Morris et al.: Text Embeddings Reveal (Almost) As Much As Text (EMNLP 2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06816","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fog.jpg",[56,57,58],"Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül","Hogyan szivárogtatnak dokumentumot a RAG-asszisztensek, és hogyan állítsd meg: ACL minden chunkon, előszűrés, sorszintű biztonság pgvectorban, jogszinkron.","Hét kártya sorban, haton lakat jelvény, a csupasz kártya nyilat küld kifelé.",{"slug":633,"published":443,"minutes":6,"category":7,"tags":634,"keywords":639,"about":651,"sources":659,"cover":686,"og":687,"expertise":688,"locales":689,"lang":58,"title":690,"description":691,"coverAlt":692},"rag-product-catalog-pim-data",[11,635,636,637,638],"PIM","Product data","B2B e-commerce","Metadata filtering",[640,641,642,643,644,645,646,647,648,649,650],"rag product catalog","rag pim data","llm product data","product catalog chatbot","akeneo rag","pimcore ai search","rag structured data","metadata filtering rag","product attributes embeddings","b2b product assistant","etim classification ai",[652,655,656],{"name":653,"url":654},"Product information management","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProduct_information_management",{"name":535,"url":536},{"name":657,"url":658},"ETIM (standard)","https:\u002F\u002Fwww.etim-international.com\u002Fclassification\u002F",[660,663,666,669,671,674,677,680,683],{"title":661,"url":662},"Akeneo API: Products, product values, metric values and product models","https:\u002F\u002Fapi.akeneo.com\u002Fconcepts\u002Fproducts.html",{"title":664,"url":665},"Akeneo Help Center: What about products with variants?","https:\u002F\u002Fhelp.akeneo.com\u002Fserenity-take-the-power-over-your-products\u002Fserenity-what-about-products-with-variants",{"title":667,"url":668},"Pimcore documentation: Classification Store","https:\u002F\u002Fdocs.pimcore.com\u002Fplatform\u002FPimcore\u002FObjects\u002FObject_Classes\u002FData_Types\u002FClassification_Store\u002F",{"title":670,"url":658},"ETIM International: Classification",{"title":672,"url":673},"ETIM International: ETIM releases and the IXF format","https:\u002F\u002Fetim-international.com\u002F?p=754",{"title":675,"url":676},"Reddy et al.: Shopping Queries Dataset, a large-scale ESCI benchmark for improving product search (2022)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06588",{"title":678,"url":679},"Amazon Science: esci-data repository","https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fesci-data",{"title":681,"url":682},"Qdrant documentation: Filtering","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fconcepts\u002Ffiltering\u002F",{"title":684,"url":685},"Sui et al.: Table Meets LLM, can large language models understand structured table data? (WSDM 2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.13062","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fog.jpg","b2b-ecommerce-developer",[56,57,58],"RAG termékkatalógusra: PIM-adatokból megbízható válaszok","A termékadat strukturált, ezért a PDF-szerű chunkolás itt elbukik. Hogyan sorosítsd a PIM-attribútumokat, és hogyan küldd a specifikációs kérdéseket szűrőkhöz.","Kilenc négyzetből álló keret apró jelekkel, alatta tölcsér egyetlen kártyához.",1792261159172]