Rechercher des documents par similarité sémantique
Point de terminaison de recherche sémantique avec capacités de traitement par lots
Last updated
Point de terminaison de recherche sémantique avec capacités de traitement par lots
Last updated
q
chaîne
Requis. Le texte de la requête de recherche (jusqu'à 400 mots).
n
entier
Nombre de résultats à retourner. Par défaut : 3. Utilisez des valeurs plus élevées (par exemple, 10) pour des résultats plus complets.
from
chaîne
Début de la plage de temps pour les documents à rechercher, au format ISO 8601.
to
chaîne
Fin de la plage de temps pour les documents à rechercher, au format ISO 8601.
prev_chunks
entier
Nombre de morceaux précédents à inclure pour le contexte. Par défaut : 2.
next_chunks
entier
Nombre de morceaux suivants à inclure pour le contexte. Par défaut : 2.
Lorsque vous recherchez une réponse à une question, essayez de formuler votre requête comme si c'était une réponse idéale. Par exemple :
Au lieu de : "Qu'est-ce que l'incorporation vectorielle ?" Essayez : "L'incorporation vectorielle est une technique qui convertit le texte en vecteurs numériques dans un espace à haute dimension."
Commencez avec n=3
pour des résultats rapides et de haute pertinence
Augmentez à n=10
ou plus pour des informations plus complètes
Si la recherche renvoie des informations insuffisantes, essayez d'augmenter le paramètre n
Utilisez les paramètres from
et to
pour vous concentrer sur des documents provenant de périodes spécifiques :
Documents récents : Définissez from
à une date récente
Analyse historique : Spécifiez une plage de dates spécifique
Exclusion des informations obsolètes : Définissez une date to
appropriée
Pour gérer efficacement de grands volumes de requêtes de recherche, Rememberizer prend en charge les opérations par lots pour optimiser les performances et réduire la surcharge des appels API.
Lors de l'implémentation d'opérations par lots, considérez ces meilleures pratiques :
Taille de Lot Optimale : Commencez avec des tailles de lot de 5 à 10 requêtes et ajustez en fonction des caractéristiques de performance de votre application.
Limitation de Taux : Incluez des délais entre les lots pour éviter le throttling de l'API. Un bon point de départ est de 1 seconde entre les lots.
Gestion des Erreurs : Implémentez une gestion des erreurs robuste pour gérer les requêtes échouées au sein des lots.
Gestion des Ressources : Surveillez l'utilisation des ressources côté client, en particulier avec de grandes tailles de lot, pour éviter une consommation excessive de mémoire.
Traitement des Réponses : Traitez les résultats des lots de manière asynchrone lorsque cela est possible pour améliorer l'expérience utilisateur.
Pour les applications à fort volume, envisagez de mettre en œuvre un système de file d'attente pour gérer efficacement un grand nombre de requêtes de recherche.
Ce point de terminaison offre de puissantes capacités de recherche sémantique à travers l'ensemble de votre base de connaissances. Il utilise des embeddings vectoriels pour trouver du contenu basé sur le sens plutôt que sur des correspondances exactes de mots-clés.
Pour une compréhension plus approfondie de la façon dont fonctionnent les incorporations vectorielles et pourquoi cette approche de recherche est efficace, consultez
Initiate a search operation with a query text of up to 400 words and receive the most semantically similar responses from the stored knowledge. For question-answering, convert your question into an ideal answer and submit it to receive similar real answers.
Up to 400 words sentence for which you wish to find semantically similar chunks of knowledge.
Number of semantically similar chunks of text to return. Use 'n=3' for up to 5, and 'n=10' for more information. If you do not receive enough information, consider trying again with a larger 'n' value.
Start of the time range for documents to be searched, in ISO 8601 format.
End of the time range for documents to be searched, in ISO 8601 format.