Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как настроить multi-tenancy в Weaviate и изолировать клиентов
Multi-tenancy Weaviate: включение в schema, создание tenants, auto tenant creation, with_tenant, статусы и отрицательный тест межклиентского доступа.
Как настроить multitenancy Milvus через partition key
Tenant field как partition key в Milvus, routing через фильтр, контроль числа partition, negative tests и границы изоляции пользователей.
Как настроить multitenancy в Qdrant через payload и is_tenant
Одна коллекция Qdrant для многих tenants: keyword payload index с is_tenant=true, обязательный фильтр, backend mapping и тест межклиентской изоляции.
Как настроить hybrid search Weaviate и выбрать alpha
Гибридный поиск Weaviate: BM25 плюс vector, alpha от 0 до 1, query_properties, Relative Score Fusion, gold-набор и сравнение Recall@k.
Как настроить near_text в Weaviate и откалибровать distance
Семантический поиск Weaviate: near_text, limit, distance, MetadataQuery, gold-набор, Recall@k и безопасный порог для RAG.
Как добавить reranking в Weaviate RAG и проверить качество
Второй этап retrieval в Weaviate: Rerank, prop, query, shortlist limit, rerank score, nDCG и сохранение связи с исходными UUID.
Как фильтровать поиск Weaviate по properties без утечки данных
Filters.by_property в Weaviate: equal, greater_or_equal, логические AND/OR, типы properties, tenant/ACL и отрицательные тесты доступа.
Как сделать Generative Search RAG в Weaviate с проверяемыми источниками
Weaviate generate.near_text: grouped_task, grouped_properties, limit, generative provider, source IDs, отказ при пустом контексте и критерии groundedness.
Как создать incremental backup Weaviate и проверить восстановление
Полный и incremental backup Weaviate: backend, backup_id, include_collections, wait_for_completion, цепочка base backup, restore и контроль объектов.
Как создать коллекцию Weaviate через Python Client v4
Явная схема коллекции Weaviate: правила имён, Property, DataType, vector_config, отключение auto-schema и проверка конфигурации.
Как загрузить данные в Weaviate пакетами и проверить failed objects
Batch import в Weaviate Python Client: dynamic batching, deterministic UUID, failed_objects, векторизация, rate limits и сверка количества объектов.
Как настроить гибридный поиск Typesense: текст, embeddings и alpha
Как Typesense 30.2 объединяет keyword и semantic поиск: query_by, alpha, rerank_hybrid_matches и проверка кодовых запросов.
Как настроить HNSW-индекс ChromaDB и измерить Recall
HNSW configuration ChromaDB: space, ef_construction, ef_search, max_neighbors, build_threads, resize_factor и тест качества/скорости.
Как создать named vectors в Weaviate для разных полей
Несколько embeddings на object: named vectors для title и title+country, source_properties, отдельные indexes, target_vector и добавление vector в 1.31+.
Как настроить fallback между моделями в OpenRouter API
Готовая схема models в порядке приоритета: какие ошибки запускают переключение, как узнать итоговую модель и проверить качество резервного ответа.
Как настроить смысловой поиск в Haystack InMemoryEmbeddingRetriever
Индексируем документы и запрос одной embedding-моделью, проверяем размерность, top_k и качество на перефразировках.
Как настроить два embedders в Meilisearch для разных типов запросов
Раздельные named embedders для краткого названия и длинной спецификации, выбор hybrid.embedder и тест несовместимых vectors.
Как настроить Hybrid Search Milvus: RRF или WeightedRanker
Несколько AnnSearchRequest в Milvus, объединение dense и sparse результатов, RRFRanker, WeightedRanker, gold-набор и сравнение сценариев.
Как настроить composite embedders Meilisearch для индексации и поиска
Экспериментальный compositeEmbedders: разные среды одной модели, равная размерность, совместимость vectors и план отката.
Как настроить distribution в Meilisearch для слишком высоких semantic scores
Проверка showRankingScore, подбор mean/sigma и контроль порога релевантности без переиндексации vectors.