Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
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 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 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 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 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 фильтровать payload в Qdrant через must, should и must_not
Безопасный payload filter Qdrant: логика must, should, must_not, MatchValue, числовые диапазоны, payload index и отрицательный тест доступа.
Как сменить embedding-модель в Qdrant без простоя
Blue-green миграция embedding-модели Qdrant: новая коллекция, dual write, scroll, повторное кодирование, alias cutover и вариант named vectors для 1.18+.
Как создать и восстановить snapshot Qdrant без потери данных
Резервная копия коллекции Qdrant: create_snapshot, скачивание, checksum, совместимость версий, recover_snapshot, priority и контроль points и поиска.
Как создать коллекцию Qdrant с правильными vector size и distance
Практическая настройка коллекции Qdrant: размерность эмбеддинга, Cosine, Dot, Euclid или Manhattan, named vectors и контроль несовместимого вектора.
Как выбрать квантование Qdrant: Scalar, Product или Binary
Сравнение Scalar, Product и Binary Quantization в Qdrant, настройка int8, quantile, always_ram, rescoring и измерение памяти, Recall@k и latency.
Как загрузить большой датасет в Qdrant через upload_points
Массовая загрузка Qdrant Python client: генератор batches, upload_points, parallel, max_retries, стабильные ID, отключение индексации на загрузке и сверка count.
Как загрузить points в Qdrant через upsert и дождаться индексации
Идемпотентный upsert points в Qdrant: числовые и UUID ID, vector, payload, batch, wait=true, статусы acknowledged и completed, проверка retrieve.
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 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.
Как настроить HNSW в Typesense: M, ef_construction и ef
Официальные параметры HNSW Typesense 30.2: defaults, индексирование, ef на запросе и проверка Recall@10, памяти и p95.
Как настроить HNSW Vespa: links, insert и exploreAdditionalHits
Индексные и запросные параметры HNSW в Vespa с измерением Recall@10, памяти, скорости загрузки и p95.
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 semantic ranker Azure AI Search для RAG с k=50
Вторичное семантическое ранжирование, конфигурация текстовых полей, k=50 и проверка citations без генеративных обещаний.