Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как создать коллекцию Milvus со схемой и векторным индексом
Явная схема Milvus: INT64 primary key, VARCHAR, FLOAT_VECTOR с dimension, AUTOINDEX, COSINE и проверка конфигурации коллекции.
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 переключить коллекцию Milvus через alias без изменения приложения
Blue-green миграция Milvus: create_alias, alter_alias, shadow queries, сверка count/Recall и контролируемый rollback на старую collection.
Как создать relationship vector index Neo4j и искать похожие связи
Vector index для relationship property: CREATE VECTOR INDEX, SEARCH по отношению, SCORE и практический пример семантики утверждений GraphRAG.
Как создать vector index Neo4j через Cypher и проверить состояние ONLINE
CREATE VECTOR INDEX с dimension, cosine, filter properties, IF NOT EXISTS и обязательной проверкой SHOW VECTOR INDEXES перед запросами.
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 создать первого AI-агента LangChain на Python и проверить ответ
Минимальный create_agent в LangChain 1.x: provider:model, системная инструкция, сообщения и тест ответа без фиктивных инструментов.
Как создать таблицу LanceDB с точной PyArrow-схемой и Vector
Явная schema LanceDB: FixedSizeList для vector, LanceModel/Vector, nullable-поля, validators и отрицательный тест размерности.
Как импортировать большой датасет в Milvus через Bulk Import
Подготовка файлов для Milvus Bulk Import, object storage, import job, статусы, schema mapping, manifest и проверка количества данных.
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 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 задать embedding-модель локально в LlamaIndex и не смешать индексы
Settings как глобальный fallback и локальный embed_model для конкретного индекса с тестом на совместимость после перезапуска.
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 скрыть служебные метаданные документа от LLM в LlamaIndex
Отдельные настройки metadata для генератора и embedding-модели с проверкой MetadataMode.LLM и EMBED.
Как фильтровать векторный поиск Milvus по tenant и metadata
Filtered Search в Milvus: выражение filter до ANN, tenant_id, year, visibility, output_fields и отрицательный тест межклиентской изоляции.
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 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 обновлять данные Milvus через insert и upsert без дублей
Разница insert и upsert в Milvus, стабильные primary keys, повторяемый импорт, проверка mutation result и чтение обновлённой записи.
Как подключиться к Milvus через MilvusClient и проверить соединение
Подключение pymilvus к Milvus Lite, Standalone, Distributed или Zilliz Cloud: URI, token, проверка сервера и безопасная диагностика.
Как создать индекс Pinecone со встроенной embedding-моделью
Создание serverless index через create_index_for_model: cloud, region, hosted embedding model, field_map, ожидание готовности и контрольный поиск.