Aggiungi un nuovo documento di testo a un Archivio Vettoriale
Esempi di Richieste
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": "Panoramica del Prodotto",
"text": "Il nostro prodotto è una soluzione innovativa per la gestione degli embedding vettoriali. Offre un'integrazione senza soluzione di continuità con i tuoi sistemi esistenti e fornisce potenti capacità di ricerca semantica."
}'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',
'Panoramica del Prodotto',
'Il nostro prodotto è una soluzione innovativa per la gestione degli embedding vettoriali. Offre un'integrazione senza soluzione di continuità con i tuoi sistemi esistenti e fornisce potenti capacità di ricerca semantica.'
);Parametri del percorso
vector-store-id
string
Obbligatorio. L'ID del vector store a cui aggiungere il documento.
Corpo della Richiesta
name
string
Obbligatorio. Il nome del documento.
text
string
Obbligatorio. Il contenuto testuale del documento.
Formato di Risposta
Autenticazione
Questo endpoint richiede autenticazione utilizzando una chiave API nell'intestazione x-api-key.
Risposte di Errore
400
Richiesta Errata - Campi richiesti mancanti o formato non valido
401
Non Autorizzato - Chiave API non valida o mancante
404
Non Trovato - Vector Store non trovato
500
Errore Interno del Server
Questo endpoint ti consente di aggiungere contenuti testuali direttamente al tuo vector store. È particolarmente utile per memorizzare informazioni che potrebbero non esistere in formato file, come descrizioni di prodotti, articoli di base di conoscenza o contenuti personalizzati. Il testo verrà automaticamente elaborato in embedding vettoriali, rendendolo ricercabile utilizzando la similarità semantica.
Last updated