Cerca documenti per somiglianza semantica
Endpoint di ricerca semantica con capacità di elaborazione in batch
Last updated
Endpoint di ricerca semantica con capacità di elaborazione in batch
Last updated
q
string
Obbligatorio. Il testo della query di ricerca (fino a 400 parole).
n
integer
Numero di risultati da restituire. Predefinito: 3. Usa valori più alti (ad es., 10) per risultati più completi.
from
string
Inizio dell'intervallo di tempo per i documenti da cercare, in formato ISO 8601.
to
string
Fine dell'intervallo di tempo per i documenti da cercare, in formato ISO 8601.
prev_chunks
integer
Numero di chunk precedenti da includere per il contesto. Predefinito: 2.
next_chunks
integer
Numero di chunk successivi da includere per il contesto. Predefinito: 2.
Quando cerchi una risposta a una domanda, prova a formulare la tua query come se fosse una risposta ideale. Ad esempio:
Invece di: "Che cos'è l'embedding vettoriale?" Prova: "L'embedding vettoriale è una tecnica che converte il testo in vettori numerici in uno spazio ad alta dimensione."
Inizia con n=3
per risultati rapidi e ad alta rilevanza
Aumenta a n=10
o superiore per informazioni più complete
Se la ricerca restituisce informazioni insufficienti, prova ad aumentare il parametro n
Utilizza i parametri from
e to
per concentrarti su documenti di periodi di tempo specifici:
Documenti recenti: Imposta from
su una data recente
Analisi storica: Specifica un intervallo di date specifico
Escludere informazioni obsolete: Imposta una data to
appropriata
Per gestire in modo efficiente grandi volumi di query di ricerca, Rememberizer supporta operazioni in batch per ottimizzare le prestazioni e ridurre il sovraccarico delle chiamate API.
Quando si implementano operazioni in batch, considera queste migliori pratiche:
Dimensione Ottimale del Batch: Inizia con dimensioni del batch di 5-10 query e adatta in base alle caratteristiche di prestazione della tua applicazione.
Limitazione della Frequenza: Includi ritardi tra i batch per prevenire il throttling dell'API. Un buon punto di partenza è di 1 secondo tra i batch.
Gestione degli Errori: Implementa una gestione degli errori robusta per gestire le richieste fallite all'interno dei batch.
Gestione delle Risorse: Monitora l'uso delle risorse lato client, in particolare con grandi dimensioni del batch, per prevenire un consumo eccessivo di memoria.
Elaborazione delle Risposte: Elabora i risultati del batch in modo asincrono quando possibile per migliorare l'esperienza dell'utente.
Per applicazioni ad alto volume, considera di implementare un sistema di coda per gestire in modo efficiente un gran numero di richieste di ricerca.
Questo endpoint fornisce potenti capacità di ricerca semantica in tutta la tua base di conoscenza. Utilizza embedding vettoriali per trovare contenuti basati sul significato piuttosto che su corrispondenze esatte di parole chiave.
Per una comprensione più profonda di come funzionano gli embedding vettoriali e perché questo approccio di ricerca è efficace, vedi
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.