Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как разложить документы на chunks для RAG через index projections Azure AI Search
Один поисковый документ на chunk: parent_id, sourceContext, skipIndexingParentDocuments и проверка наследования доступа.
Как настроить semantic ranker Azure AI Search для RAG с k=50
Вторичное семантическое ранжирование, конфигурация текстовых полей, k=50 и проверка citations без генеративных обещаний.
Как загрузить готовые embeddings в Azure AI Search без потери документов
Push API, @search.action upload, ключи документов и проверка результатов каждого элемента пакета в векторном индексе.
Как уменьшить векторный индекс Azure AI Search через scalar quantization
Настройка scalarQuantization int8 с preserveOriginals, oversampling и проверкой Recall@10 на отдельном индексе.
Как объединить BM25 и векторный поиск в Azure AI Search через RRF
Гибридный Search POST для артикулов и перефразированных вопросов, test cases, RRF и проверка k против top.
Как фильтровать векторный поиск Azure AI Search по tenant без утечки данных
OData filter и vectorFilterMode preFilter для tenant, негативный тест изоляции и сравнение с postFilter.
Как искать текстом через vectorizer Azure AI Search без передачи массива чисел
Настройка vectorizer и REST kind:text для русских вопросов: связка profile, модели и проверка результатов.
Как измерить recall HNSW в Azure AI Search через exhaustive KNN
Точный baseline exhaustive:true, Recall@k, стабильный набор запросов и диагностика trade-off качества и задержки.
Как создать векторный индекс Azure AI Search с верной размерностью
Рабочая схема REST для vector field, HNSW и profile: согласование dimensions с embedding и тест ошибки несовпадения.
Как выполнить vector query в Azure AI Search через REST
Стабильный REST-запрос kind:vector, k и select с проверкой совместимости embedding и исходных документов.
Как настроить none, scalar или binary quantization в Neo4j Vector Search
Neo4j 2026.08: vector.quantization.type, default binary, search expansion, rescoring и честное сравнение recall, p95 и памяти.
Как выбрать Lucene или Faiss для Vector Search в OpenSearch
Сравнение Lucene HNSW, Faiss HNSW/IVF и deprecated NMSLIB по фильтрам, training, масштабу, памяти, indexing и recall.
Как проверить RAG-шаблон LlamaIndex RichPromptTemplate до вызова модели
Jinja-переменные context_str и query_str, предпросмотр format и отдельная проверка поведения генератора.
Как сохранить и загрузить индекс LlamaIndex после перезапуска
persist_dir, StorageContext и load_index_from_storage с проверкой, что после рестарта не выполняется новая индексация.
Как подключить OpenAI embedder к Meilisearch и проверить индексацию
Конфигурация openAi source, documentTemplate, асинхронные tasks и тест русского семантического запроса без публикации API-ключа.
Как настроить HNSW в pgvector и подобрать ef_search по Recall@10
Создание HNSW-индекса, m, ef_construction, ef_search, SET LOCAL и честное сравнение ANN с exact search.
Как настроить Hybrid Search OpenSearch через normalization-processor
BM25 плюс k-NN, min_max/L2/z_score, weights, search pipeline, общие ACL-фильтры и оценка nDCG@10 на трёх baselines.
Как настроить Vector Quantization в OpenSearch и проверить потерю recall
Byte, binary, Lucene/Faiss scalar и product quantization: mapping, ограничения engine, compression, rescoring и честный Recall@10.
Как ограничить размер пакета при индексации в LlamaIndex VectorStoreIndex
insert_batch_size при from_documents: контролируем память и задержки загрузки, не путая пакет с размером чанка.
Как настроить hybrid search LanceDB с RRFReranker
Объединение vector search и FTS в LanceDB, query_type=hybrid, RRFReranker, normalize, фильтр обеих ветвей и оценка nDCG.