의미적 유사성으로 문서 검색
배치 처리 기능이 있는 의미 검색 엔드포인트
Last updated
배치 처리 기능이 있는 의미 검색 엔드포인트
Last updated
q
문자열
필수. 검색 쿼리 텍스트(최대 400단어).
n
정수
반환할 결과 수. 기본값: 3. 더 포괄적인 결과를 위해 더 높은 값(예: 10)을 사용하세요.
from
문자열
검색할 문서의 시간 범위 시작, ISO 8601 형식.
to
문자열
검색할 문서의 시간 범위 종료, ISO 8601 형식.
prev_chunks
정수
문맥을 포함할 이전 청크 수. 기본값: 2.
next_chunks
정수
문맥을 포함할 다음 청크 수. 기본값: 2.
질문에 대한 답을 찾을 때, 쿼리를 이상적인 답변처럼 구성해 보세요. 예를 들어:
대신: "벡터 임베딩이란 무엇인가?" 시도해 보세요: "벡터 임베딩은 텍스트를 고차원 공간의 숫자 벡터로 변환하는 기술입니다."
빠르고 높은 관련성의 결과를 위해 n=3
으로 시작
더 포괄적인 정보를 위해 n=10
이상으로 증가
검색 결과가 불충분하면 n
매개변수를 증가시켜 보세요
from
및 to
매개변수를 사용하여 특정 기간의 문서에 집중하세요:
최근 문서: from
을 최근 날짜로 설정
역사적 분석: 특정 날짜 범위를 지정
오래된 정보 제외: 적절한 to
날짜 설정
대량의 검색 쿼리를 효율적으로 처리하기 위해 Rememberizer는 성능을 최적화하고 API 호출 오버헤드를 줄이기 위한 배치 작업을 지원합니다.
배치 작업을 구현할 때 다음의 모범 사례를 고려하십시오:
최적의 배치 크기: 5-10 쿼리의 배치 크기로 시작하고 애플리케이션의 성능 특성에 따라 조정하십시오.
요금 제한: API 제한을 방지하기 위해 배치 간에 지연을 포함하십시오. 배치 간 1초가 좋은 시작점입니다.
오류 처리: 배치 내에서 실패한 요청을 관리하기 위해 강력한 오류 처리를 구현하십시오.
자원 관리: 특히 큰 배치 크기로 클라이언트 측 자원 사용을 모니터링하여 과도한 메모리 소비를 방지하십시오.
응답 처리: 가능한 경우 비동기적으로 배치 결과를 처리하여 사용자 경험을 개선하십시오.
대량의 애플리케이션의 경우, 많은 검색 요청을 효율적으로 관리하기 위해 큐 시스템을 구현하는 것을 고려하십시오.
이 엔드포인트는 전체 지식 기반에 걸쳐 강력한 의미 검색 기능을 제공합니다. 이는 의미에 따라 콘텐츠를 찾기 위해 벡터 임베딩을 사용하며, 정확한 키워드 일치가 아닙니다.
벡터 임베딩이 어떻게 작동하는지와 이 검색 접근 방식이 효과적인 이유에 대한 더 깊은 이해를 원하시면 를 참조하세요.
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.