Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как выполнить семантический поиск MongoDB через $vectorSearch
Рабочий aggregation pipeline с index, path, queryVector, numCandidates, limit, vectorSearchScore и исключением embedding из ответа.
Как создать эмбеддинги в Gemini API и проверить семантический поиск
Как вызвать embedContent в Gemini API, индексировать фрагменты, считать сходство и проверить поиск на реалистичном наборе вопросов.
Как фильтровать MongoDB Vector Search по tenant и visibility до поиска
Безопасный pre-filter в $vectorSearch, filter fields в индексе, ACL с backend identity и отрицательный тест межклиентской утечки.
Как настроить семантический поиск Pinecone и проверить Recall@k
Semantic search по тексту или вектору: тот же namespace, top_k, metadata, gold-набор, Recall@k и защита RAG от нерелевантного контекста.
Как выполнить KNN-поиск в Redis через FT.SEARCH и DIALECT 2
Рабочий KNN-запрос Redis: бинарный query vector, PARAMS, distance alias, SORTBY, RETURN, LIMIT и проверка top-k.
Как настроить поиск Qdrant через Query API и измерить Recall@k
Поиск ближайших соседей через query_points: limit, with_payload, exact baseline, gold-набор, Recall@k и защита RAG от нерелевантного контекста.
Как настроить семантический поиск ChromaDB и проверить distances
Collection.query в ChromaDB: query_texts, n_results, include, вложенная структура ответа, distances и оценка Recall@k для RAG.
Как сделать семантический поиск через Ollama embeddings локально
Локальный поиск по смыслу через Ollama embeddings: чанки, API, cosine similarity и тест релевантности.
Как измерить Recall@10 и p95 MongoDB Vector Search на своём датасете
Воспроизводимый benchmark MongoDB: exact ENN ground truth, ANN candidate grid, filters, concurrency, Recall@10, nDCG@10 и tail latency.
Как загрузить embeddings в MongoDB без дублей и смешивания моделей
Схема документов, стабильные _id, model_id, dimension-check, bulkWrite с upsert и сверка manifest перед запуском MongoDB Vector Search.
Как создать embeddings для поиска по текстам: чанки, векторы и проверка выдачи
Практический семантический поиск через embeddings: подготовка фрагментов, вызов API, cosine similarity и тест качества.
Как настроить гибридный поиск Qdrant: dense, sparse и RRF
Гибридный поиск Qdrant через named vectors, prefetch и Reciprocal Rank Fusion: точные артикулы, смысловые запросы, проверка Recall@k и p95.
Как настроить numCandidates в MongoDB Vector Search по Recall@10 и p95
Проверяемая сетка numCandidates для фиксированного limit: exact baseline, Recall@10, p95/p99, QPS, фильтры и выбор по SLO.
Как настроить векторный поиск Milvus и измерить Recall@k
Milvus search: anns_field, COSINE, limit, output_fields, параметры поиска, gold-набор и калибровка качества до подключения RAG.
Как выполнить exact k-NN в OpenSearch через script_score
Brute-force knn_score, предварительный tenant filter, query_value, space_type и exact top-k как ground truth для проверки ANN recall.
Как включить scalar или binary quantization в MongoDB Vector Search
Индекс с quantization, сравнение float/scalar/binary, full-fidelity rescoring, Recall@10, p95, RAM и disk без обещаний на чужом benchmark.
Как обновить индекс MongoDB Vector Search без простоя и потери отката
Versioned index и embedding field, rebuild-поведение, backfill, dual read, canary, проверка готовности и безопасное удаление старой версии.
Как сделать exact vector search в MongoDB и получить эталон для ANN
ENN-запрос с exact:true, тот же index/path/filter, сохранение exact top-k и расчёт Recall@10 для проверки approximate search.
Как создать индекс MongoDB Vector Search и не ошибиться с numDimensions
Практический индекс vectorSearch через createSearchIndex: vector и filter fields, numDimensions, similarity, статус индекса и отрицательный тест.
Как выбрать cosine, dotProduct или euclidean в MongoDB Vector Search
Сравнение трёх similarity по контракту embedding-модели, нормализации, ranking, exact baseline и миграции через новый индекс.