Rememberizer Docs
Se connecterS'inscrireContactez-nous
Français
Français
  • Pourquoi Rememberizer ?
  • Contexte
    • Qu'est-ce que les embeddings vectoriels et les bases de données vectorielles ?
    • Glossaire
    • Terminologie standardisée
  • Utilisation personnelle
    • Commencer
      • Rechercher vos connaissances
      • Accès au filtre de souvenirs
      • Connaissances communes
      • Gérer vos connaissances intégrées
  • Intégrations
    • Application Rememberizer
    • Intégration Rememberizer Slack
    • Intégration Rememberizer Google Drive
    • Intégration Rememberizer Dropbox
    • Intégration Rememberizer Gmail
    • Intégration Rememberizer Memory
    • Serveurs MCP Rememberizer
    • Gérer les applications tierces
  • Ressources pour les développeurs
    • Aperçu des développeurs
  • Options d'intégration
    • Enregistrement et utilisation des clés API
    • Enregistrement des applications Rememberizer
    • Autorisation des applications Rememberizer
    • Création d'un GPT Rememberizer
    • Intégration LangChain
    • Magasins de vecteurs
    • Talk-to-Slack l'application Web d'exemple
  • Intégration d'entreprise
    • Modèles d'intégration d'entreprise
  • Référence API
    • Accueil de la documentation API
    • Authentification
  • APIs principales
    • Rechercher des documents par similarité sémantique
    • Récupérer des documents
    • Récupérer le contenu des documents
    • Récupérer le contenu Slack
    • Mémoriser le contenu dans Rememberizer
  • Compte & Configuration
    • Récupérer les détails du compte utilisateur actuel
    • Lister les intégrations de sources de données disponibles
    • Mementos
    • Obtenir toutes les connaissances publiques ajoutées
  • APIs de stockage vectoriel
    • Documentation sur le stockage vectoriel
    • Obtenir des informations sur le stockage vectoriel
    • Obtenir une liste de documents dans un stockage vectoriel
    • Obtenir des informations sur un document
    • Ajouter un nouveau document texte à un stockage vectoriel
    • Télécharger des fichiers dans un stockage vectoriel
    • Mettre à jour le contenu d'un fichier dans un stockage vectoriel
    • Supprimer un document dans le stockage vectoriel
    • Rechercher des documents de stockage vectoriel par similarité sémantique
  • Ressources supplémentaires
    • Avis
      • Conditions d'utilisation
      • Politique de confidentialité
      • B2B
        • À propos de Reddit Agent
  • Versions
    • Notes de version Accueil
  • Sorties 2025
    • 25 avr. 2025
    • 18 avr. 2025
    • 11 avr. 2025
    • 4 avr. 2025
    • 28 mar. 2025
    • 21 mar. 2025
    • 14 mar. 2025
    • 17 janv. 2025
  • Sorties 2024
    • 27 déc. 2024
    • 20 déc. 2024
    • 13 déc. 2024
    • 6 déc. 2024
  • 29 nov. 2024
  • 22 nov. 2024
  • 15 nov. 2024
  • 8 nov. 2024
  • 1er nov. 2024
  • 25 oct. 2024
  • 18 oct. 2024
  • 11 oct. 2024
  • 4 oct. 2024
  • 27 sept. 2024
  • 20 sept. 2024
  • 13 sept. 2024
  • 16 août 2024
  • 9 août 2024
  • 2 août 2024
  • 26 juil. 2024
  • 12 juil. 2024
  • 28 juin 2024
  • 14 juin 2024
  • 31 mai 2024
  • 17 mai 2024
  • 10 mai 2024
  • 26 avr. 2024
  • 19 avr. 2024
  • 12 avr. 2024
  • 5 avr. 2024
  • 25 mars 2024
  • 18 mars 2024
  • 11 mars 2024
  • 4 mars 2024
  • 26 févr. 2024
  • 19 févr. 2024
  • 12 févr. 2024
  • 5 févr. 2024
  • 29 janv. 2024
  • 22 janv. 2024
  • 15 janv. 2024
  • Documentation LLM
    • Documentation LLM Prête de Rememberizer
Powered by GitBook
On this page
  1. APIs de stockage vectoriel

Ajouter un nouveau document texte à un stockage vectoriel

PreviousObtenir des informations sur un documentNextTélécharger des fichiers dans un stockage vectoriel

Last updated 22 days ago

Exemples de Requêtes

curl -X POST \
  https://api.rememberizer.ai/api/v1/vector-stores/vs_abc123/documents/create \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "Aperçu du Produit",
    "text": "Notre produit est une solution innovante pour la gestion des embeddings vectoriels. Il offre une intégration transparente avec vos systèmes existants et propose de puissantes capacités de recherche sémantique."
  }'

Remplacez YOUR_API_KEY par votre véritable clé API de Vector Store et vs_abc123 par votre ID de Vector Store.

const addTextDocument = async (vectorStoreId, name, text) => {
  const response = await fetch(`https://api.rememberizer.ai/api/v1/vector-stores/${vectorStoreId}/documents/create`, {
    method: 'POST',
    headers: {
      'x-api-key': 'YOUR_API_KEY',
      'Content-Type': 'application/json'
    },
    body: JSON.stringify({
      name: name,
      text: text
    })
  });
  
  const data = await response.json();
  console.log(data);
};

addTextDocument(
  'vs_abc123',
  'Aperçu du Produit',
  'Notre produit est une solution innovante pour la gestion des embeddings vectoriels. Il offre une intégration transparente avec vos systèmes existants et propose de puissantes capacités de recherche sémantique.'
);

Remplacez YOUR_API_KEY par votre véritable clé API de Vector Store et vs_abc123 par votre ID de Vector Store.

import requests
import json

def add_text_document(vector_store_id, name, text):
    headers = {
        "x-api-key": "YOUR_API_KEY",
        "Content-Type": "application/json"
    }
    
    payload = {
        "name": name,
        "text": text
    }
    
    response = requests.post(
        f"https://api.rememberizer.ai/api/v1/vector-stores/{vector_store_id}/documents/create",
        headers=headers,
        data=json.dumps(payload)
    )
    
    data = response.json()
    print(data)

add_text_document(
    'vs_abc123',
    'Aperçu du Produit',
    'Notre produit est une solution innovante pour la gestion des embeddings vectoriels. Il offre une intégration transparente avec vos systèmes existants et propose de puissantes capacités de recherche sémantique.'
)

Remplacez YOUR_API_KEY par votre véritable clé API de Vector Store et vs_abc123 par votre ID de Vector Store.

Paramètres de chemin

Paramètre
Type
Description

vector-store-id

string

Requis. L'ID du magasin de vecteurs auquel ajouter le document.

Corps de la demande

{
  "name": "Aperçu du produit",
  "text": "Notre produit est une solution innovante pour la gestion des embeddings vectoriels. Il offre une intégration transparente avec vos systèmes existants et propose de puissantes capacités de recherche sémantique."
}
Paramètre
Type
Description

name

string

Requis. Le nom du document.

text

string

Requis. Le contenu textuel du document.

Format de Réponse

{
  "id": 1234,
  "name": "Aperçu du Produit",
  "type": "text/plain",
  "vector_store": "vs_abc123",
  "size": 173,
  "status": "traitement",
  "processing_status": "en attente",
  "indexed_on": null,
  "status_error_message": null,
  "created": "2023-06-15T10:15:00Z",
  "modified": "2023-06-15T10:15:00Z"
}

Authentification

Ce point de terminaison nécessite une authentification à l'aide d'une clé API dans l'en-tête x-api-key.

Réponses d'erreur

Code d'état
Description

400

Mauvaise demande - Champs requis manquants ou format invalide

401

Non autorisé - Clé API invalide ou manquante

404

Non trouvé - Magasin de vecteurs non trouvé

500

Erreur interne du serveur

Ce point de terminaison vous permet d'ajouter du contenu textuel directement à votre magasin de vecteurs. Il est particulièrement utile pour stocker des informations qui pourraient ne pas exister au format fichier, telles que des descriptions de produits, des articles de base de connaissances ou du contenu personnalisé. Le texte sera automatiquement traité en embeddings vectoriels, le rendant consultable par similarité sémantique.

  • POST/vector-stores/{vector-store-id}/documents/create
  • Exemples de Requêtes
  • Paramètres de chemin
  • Corps de la demande
  • Format de Réponse
  • Authentification
  • Réponses d'erreur
post

Create a new text document in a vector store.

Path parameters
vector-store-idstringRequired

The ID of the vector store.

Header parameters
x-api-keystringRequired

The API key for authentication.

Body
namestringOptional

The name of the document.

textstringOptional

The text content of the document.

Responses
201
Document created successfully.
application/json
post
POST /api/v1/vector-stores/{vector-store-id}/documents/create HTTP/1.1
Host: api.rememberizer.ai
x-api-key: text
Content-Type: application/json
Accept: */*
Content-Length: 29

{
  "name": "text",
  "text": "text"
}
201

Document created successfully.

{
  "id": 1,
  "name": "text",
  "type": "text",
  "vector_store": "text",
  "size": 1,
  "status": "text",
  "processing_status": "text",
  "indexed_on": "2025-05-21T12:37:40.968Z",
  "status_error_message": "text",
  "created": "2025-05-21T12:37:40.968Z",
  "modified": "2025-05-21T12:37:40.968Z"
}