벡터 저장소 정보 가져오기

get

Retrieve information about the vector store associated with the API key.

Header parameters

x-api-keystringRequired

The API key for authentication.

Responses

200

Vector store information retrieved successfully.

application/json

get

/vector-stores/me

GET /api/v1/vector-stores/me HTTP/1.1
Host: api.rememberizer.ai
x-api-key: text
Accept: */*

200

Vector store information retrieved successfully.

{
  "id": "text",
  "name": "text",
  "description": "text",
  "embedding_model": "text",
  "indexing_algorithm": "text",
  "vector_dimension": 1,
  "search_metric": "text",
  "created": "2026-01-06T13:50:34.201Z",
  "modified": "2026-01-06T13:50:34.201Z"
}

예제 요청

curl -X GET \
  https://api.rememberizer.ai/api/v1/vector-stores/me \
  -H "x-api-key: YOUR_API_KEY"

YOUR_API_KEY를 실제 Vector Store API 키로 교체하세요.

const getVectorStoreInfo = async () => {
  const response = await fetch('https://api.rememberizer.ai/api/v1/vector-stores/me', {
    method: 'GET',
    headers: {
      'x-api-key': 'YOUR_API_KEY'
    }
  });
  
  const data = await response.json();
  console.log(data);
};

getVectorStoreInfo();

YOUR_API_KEY를 실제 Vector Store API 키로 교체하세요.

import requests

def get_vector_store_info():
    headers = {
        "x-api-key": "YOUR_API_KEY"
    }
    
    response = requests.get(
        "https://api.rememberizer.ai/api/v1/vector-stores/me",
        headers=headers
    )
    
    data = response.json()
    print(data)

get_vector_store_info()

YOUR_API_KEY를 실제 Vector Store API 키로 교체하세요.

응답 형식

{
  "id": "vs_abc123",
  "name": "내 벡터 저장소",
  "description": "제품 문서를 위한 벡터 저장소",
  "embedding_model": "sentence-transformers/all-mpnet-base-v2",
  "indexing_algorithm": "ivfflat",
  "vector_dimension": 128,
  "search_metric": "cosine_distance",
  "created": "2023-06-01T10:30:00Z",
  "modified": "2023-06-15T14:45:00Z"
}

인증

이 엔드포인트는 x-api-key 헤더에 API 키를 사용하여 인증이 필요합니다.

오류 응답

상태 코드

설명

401

권한 없음 - 잘못되었거나 누락된 API 키

404

찾을 수 없음 - 벡터 저장소를 찾을 수 없음

500

내부 서버 오류

이 엔드포인트는 제공된 API 키와 관련된 벡터 저장소에 대한 정보를 검색합니다. 이는 사용 중인 임베딩 모델, 차원 수 및 검색 메트릭을 포함한 구성 세부정보를 확인하는 데 유용합니다. 이 정보는 검색 쿼리를 최적화하고 벡터 저장소의 기능을 이해하는 데 유용할 수 있습니다.

Previous문서 정보 가져오기 Next벡터 저장소에서 문서 제거

Last updated 2 months ago