Adicionar novo documento de texto a um Armazenamento Vetorial
Create a new text document in a vector store.
The ID of the vector store.
The API key for authentication.
The name of the document.
The text content of the document.
Document created successfully.
POST /api/v1/vector-stores/{vector-store-id}/documents/create HTTP/1.1
Host: api.rememberizer.ai
x-api-key: text
Content-Type: application/json
Accept: */*
Content-Length: 29
{
"name": "text",
"text": "text"
}Document created successfully.
{
"id": 1,
"name": "text",
"type": "text",
"vector_store": "text",
"size": 1,
"status": "text",
"processing_status": "text",
"indexed_on": "2025-11-08T04:02:17.614Z",
"status_error_message": "text",
"created": "2025-11-08T04:02:17.614Z",
"modified": "2025-11-08T04:02:17.614Z"
}Exemplo de Solicitações
curl -X POST \
https://api.rememberizer.ai/api/v1/vector-stores/vs_abc123/documents/create \
-H "x-api-key: SUA_CHAVE_API" \
-H "Content-Type: application/json" \
-d '{
"name": "Visão Geral do Produto",
"text": "Nosso produto é uma solução inovadora para gerenciar embeddings vetoriais. Ele oferece integração perfeita com seus sistemas existentes e oferece poderosas capacidades de busca semântica."
}'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': 'SUA_CHAVE_API',
'Content-Type': 'application/json'
},
body: JSON.stringify({
name: name,
text: text
})
});
const data = await response.json();
console.log(data);
};
addTextDocument(
'vs_abc123',
'Visão Geral do Produto',
'Nosso produto é uma solução inovadora para gerenciar embeddings vetoriais. Ele oferece integração perfeita com seus sistemas existentes e oferece poderosas capacidades de busca semântica.'
);import requests
import json
def add_text_document(vector_store_id, name, text):
headers = {
"x-api-key": "SUA_CHAVE_API",
"Content-Type": "application/json"
}
payload = {
"name": name,
"text": text
}
response = requests.post(
f"https://api.rememberizer.ai/api/v1/vector-stores/{vector_store_id}/documents/create",
headers=headers,
data=json.dumps(payload)
)
data = response.json()
print(data)
add_text_document(
'vs_abc123',
'Visão Geral do Produto',
'Nosso produto é uma solução inovadora para gerenciar embeddings vetoriais. Ele oferece integração perfeita com seus sistemas existentes e oferece poderosas capacidades de busca semântica.'
)Parâmetros de Caminho
vector-store-id
string
Obrigatório. O ID do armazenamento de vetores para o qual adicionar o documento.
Corpo da Solicitação
{
"name": "Visão Geral do Produto",
"text": "Nosso produto é uma solução inovadora para gerenciar embeddings vetoriais. Ele oferece integração perfeita com seus sistemas existentes e oferece poderosas capacidades de busca semântica."
}name
string
Obrigatório. O nome do documento.
text
string
Obrigatório. O conteúdo de texto do documento.
Formato de Resposta
{
"id": 1234,
"name": "Visão Geral do Produto",
"type": "text/plain",
"vector_store": "vs_abc123",
"size": 173,
"status": "processando",
"processing_status": "na fila",
"indexed_on": null,
"status_error_message": null,
"created": "2023-06-15T10:15:00Z",
"modified": "2023-06-15T10:15:00Z"
}Autenticação
Este endpoint requer autenticação usando uma chave de API no cabeçalho x-api-key.
Respostas de Erro
400
Solicitação Inválida - Campos 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
Este endpoint permite que você adicione conteúdo de texto diretamente ao seu armazenamento de vetores. É particularmente útil para armazenar informações que podem não existir em formato de arquivo, como descrições de produtos, artigos de base de conhecimento ou conteúdo personalizado. O texto será processado automaticamente em embeddings vetoriais, tornando-o pesquisável usando similaridade semântica.
Last updated