Pesquisar documentos do Armazenamento Vetorial por similaridade semântica
Pesquisar documentos do Armazenamento Vetorial com semelhança semântica e operações em lote
Last updated
Pesquisar documentos do Armazenamento Vetorial com semelhança semântica e operações em lote
Last updated
vector-store-id
string
Obrigatório. O ID do armazenamento de vetores a ser pesquisado.
q
string
Obrigatório. O texto da consulta de pesquisa.
n
integer
Número de resultados a retornar. Padrão: 10.
t
number
Limite de correspondência. Padrão: 0.7.
prev_chunks
integer
Número de partes antes da parte correspondente a incluir. Padrão: 0.
next_chunks
integer
Número de partes após a parte correspondente a incluir. Padrão: 0.
Este endpoint requer autenticação usando uma chave de API no cabeçalho x-api-key
.
400
Solicitação Inválida - Parâmetros obrigatórios ausentes ou formato inválido
401
Não Autorizado - Chave de API inválida ou ausente
404
Não Encontrado - Armazenamento de Vetores não encontrado
500
Erro Interno do Servidor
Use os parâmetros prev_chunks
e next_chunks
para controlar quanto contexto é incluído em cada correspondência:
Defina ambos como 0 para correspondências precisas sem contexto
Defina ambos como 1-2 para correspondências com contexto mínimo
Defina ambos como 3-5 para correspondências com contexto substancial
O parâmetro t
controla quão rigorosamente as correspondências são filtradas:
Valores mais altos (por exemplo, 0.9) retornam apenas correspondências muito próximas
Valores mais baixos (por exemplo, 0.5) retornam mais correspondências com maior variedade
O padrão (0.7) fornece uma abordagem equilibrada
Para aplicações de alto desempenho, o Rememberizer suporta operações em lote eficientes em lojas de vetores. Esses métodos otimizam o desempenho ao processar várias consultas de pesquisa.
Ao implementar operações em lote para buscas em lojas de vetores, considere estas melhores práticas:
Tamanho Ótimo do Lote: Para a maioria das aplicações, processar de 5 a 10 consultas em paralelo oferece um bom equilíbrio entre throughput e uso de recursos.
Consciência de Limitação de Taxa: Inclua mecanismos de atraso entre os lotes (tipicamente 1-2 segundos) para evitar atingir os limites de taxa da API.
Tratamento de Erros: Implemente um tratamento de erros robusto para consultas individuais que podem falhar dentro de um lote.
Gerenciamento de Conexões: Para aplicações de alto volume, implemente pooling de conexões para reduzir a sobrecarga.
Configuração de Timeout: Defina timeouts apropriados para cada solicitação para evitar que consultas de longa duração bloqueiem todo o lote.
Processamento de Resultados: Considere processar resultados de forma assíncrona à medida que se tornam disponíveis, em vez de esperar por todos os resultados.
Monitoramento: Acompanhe métricas de desempenho, como tempo médio de resposta e taxas de sucesso, para identificar oportunidades de otimização.
Para aplicações de produção com volumes de consulta muito altos, considere implementar um sistema de fila com processos de trabalho para gerenciar grandes lotes de forma eficiente.
Este endpoint permite que você pesquise sua loja de vetores usando similaridade semântica. Ele retorna documentos que estão conceitualmente relacionados à sua consulta, mesmo que não contenham as palavras-chave exatas. Isso o torna particularmente poderoso para consultas em linguagem natural e respostas a perguntas.
Initiate a search operation with a query text and receive most semantically similar responses from the vector store.
The ID of the vector store.
The search query text.
Number of chunks to return.
Matching threshold.
Number of chunks before the matched chunk to include.
Number of chunks after the matched chunk to include.
The API key for authentication.
Search results retrieved successfully.