术语表
Rememberizer中使用的术语和概念的综合词汇表
本术语表提供了 Rememberizer 文档中使用的关键术语和概念的定义。当您遇到不熟悉的术语时，可以将其作为参考。
注意：本术语表代表了 Rememberizer 的标准化术语。虽然您可能会在文档中遇到轻微的变化，但此处提供的术语和定义应被视为权威参考。
A
API 密钥：用于以编程方式访问 Rememberizer 的 API 端点的安全认证令牌。API 密钥主要用于向量存储访问和常识集成。
授权请求来源：一个安全设置，指定哪些域可以向 Rememberizer 发出 API 请求，从而限制潜在的跨站请求伪造攻击。
B
批量操作：在单个请求中处理多个项目（搜索、上传等）以提高效率。Rememberizer 支持高容量工作负载的批量操作。
批量大小：在迁移、搜索或文档摄取等操作中一起处理的项目数量，影响性能和资源使用。
C
分块：将文档划分为最佳大小的片段（通常为512-2048字节），并具有重叠边界，以在向量搜索中保留上下文的过程。
客户端ID：发放给第三方应用程序的公共标识符，使其能够与Rememberizer进行OAuth2授权。
客户端密钥：与客户端ID一起发放的私钥，必须保持安全，并在OAuth2流程中用于验证应用程序。
基于集合的组织：在Rememberizer中，向量存储的组织方式，每个存储都有自己隔离的数据管理集合。
常识：用户发布的信息，其他用户或应用程序可以访问，创建共享知识资源。常识基于一个Memento，并可以通过API访问。在用户界面中，有时也称为“共享知识”。
上下文窗口：在搜索结果中与匹配片段一起包含的周围内容，由prev_chunks和next_chunks参数控制。
余弦相似度：通过找到向量之间角度的余弦来计算的相似度度量，作为Rememberizer中的默认搜索指标。
E
嵌入模型：一种从文本生成向量嵌入的 AI 模型。Rememberizer 支持多种嵌入模型，包括 OpenAI 的 text-embedding-3-large 和 text-embedding-3-small。
企业集成模式：在大规模企业环境中实施 Rememberizer 的标准化方法，包括安全性、扩展性和合规性的架构设计。
G
全局设置：用于控制 Rememberizer 中所有连接应用的默认权限和行为的系统范围配置。
H
HNSW（分层可导航小世界）：一种索引算法，提供对大型数据集更好的准确性，但需要更高的内存要求，作为 Rememberizer 向量存储中的索引选项可用。
I
索引算法：用于组织向量以实现高效检索的方法。Rememberizer 支持 IVFFLAT（默认）和 HNSW 算法。
IVFFLAT：一种索引算法，为向量数据库提供了搜索速度和准确性的良好平衡，在 Rememberizer 中作为默认使用。
K
数据来源：Rememberizer 中数据的各种来源，包括与 Google Drive、Slack、Dropbox 和 Gmail 等平台的集成。在某些上下文中也称为“知识来源”或“集成”。
L
LangChain 集成：允许 Rememberizer 在 LangChain 应用中作为检索器使用的功能，支持 RAG（检索增强生成）系统。
M
备忘录：一种过滤机制，控制与第三方应用程序共享哪些知识，允许用户选择性地共享特定文件、文档或内容组。在用户界面中有时称为“备忘录过滤器”。
记忆集成：一种功能，使应用程序能够将有价值的信息存储在 Rememberizer 中以便后续检索，并具有可配置的读/写权限。在某些情况下也称为“共享记忆”。
O
OAuth2 认证：用于第三方应用程序在用户同意下访问 Rememberizer 数据的标准授权协议，提供安全的委托访问。在文档中有时缩写为“OAuth”。
R
RAG（检索增强生成）：一种将检索系统（如 Rememberizer）与生成模型相结合的技术，以提供基于特定知识的更准确、扎实的响应。
自读/自写：一种权限级别，应用程序只能访问和修改其在 Rememberizer 中的自有记忆数据。
读所有/自写：一种权限级别，应用程序可以读取所有应用程序的记忆数据，但只能修改其自有记忆数据。
重新索引：在重大更改后重建向量索引的过程，以提高 Rememberizer 向量存储中的搜索性能。
RememberizerRetriever：与 Rememberizer 的语义搜索功能接口的特定 LangChain 检索器类。
Rememberizer GPT：一个自定义的 GPT 应用程序，集成了 Rememberizer 的 API，以便在 ChatGPT 中访问个人知识。
Rememberizer 向量存储：基于 PostgreSQL 的向量数据库服务，具有 pgvector 扩展，处理文本数据的分块、向量化和存储。在 Rememberizer 文档中，“向量存储”和“向量数据库”可以互换使用，其中“向量存储”是首选术语。
S
搜索指标：用于计算向量之间相似性的数学方法。Rememberizer 支持余弦相似度（默认）、内积和 L2（欧几里得）距离。“距离”、“相似性”和“匹配”这几个术语有时可以互换使用，以指代向量之间的关系紧密程度。
语义搜索：一种基于意义而非仅仅关键词的搜索功能，允许即使术语不同也能找到概念上相关的结果。
共享内存：一种允许第三方应用程序在用户的 Rememberizer 账户中存储和访问数据的系统，提供跨多个应用程序的持久性。
V
向量数据库：一种专门优化用于高效存储和检索向量嵌入的数据库，能够实现语义搜索功能。
向量维度：向量嵌入的大小（通常为768-1536个数字），影响语义表示中捕捉的细节和细微差别。
向量嵌入：数值表示（几百个数字的列表），捕捉文本的语义含义，允许进行超越关键词匹配的相似性比较。在技术上下文中通常简单称为“嵌入”。
API 头部约定
使用 Rememberizer API 时，应遵循以下头部约定：
授权头部：
Authorization: Bearer YOUR_JWT_TOKENAPI 密钥头部：
X-API-Key: YOUR_API_KEY（如所示大写）内容类型头部：
Content-Type: application/json
相关资源
有关关键概念的更深入解释：
Last updated