Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
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 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 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 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 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 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 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 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 создать векторное поле Typesense: float[], num_dim и проверка модели
Схема Typesense 30.2 для внешних embeddings: num_dim, vec_dist, проверка размерности и миграция без смешивания моделей.
Как создать Preset в OpenRouter и вынести конфигурацию модели из кода
Preset как версионируемая конфигурация: модель, fallback, системный prompt, routing и параметры; вызов через @preset/slug и тест обновления.
Как создать tensor-поле embeddings в Vespa и проверить размерность
Схема Vespa для tensor<float>, размерность, индекс HNSW и воспроизводимая проверка совместимости embeddings с запросами.
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 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 создать text_embedding ingest pipeline в OpenSearch
Автоматическая генерация embeddings при ingest: deployed model_id, field_map, default_pipeline, dimension, simulate и контроль ошибок.
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 создать эмбеддинги Together AI и проверить порядок векторов
Один и несколько текстов через embeddings.create, multilingual E5, индексы response.data, единая модель для базы и запроса, контроль similarity.
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 скопировать коллекцию ChromaDB между локальным сервером и Cloud
CLI chroma copy: локальный источник или Chroma Cloud, выбор database/collection, проверка count и ID, повторный запуск и план отката.
Как создать dense_vector mapping в Elasticsearch без ошибки размерности
Явный mapping dense_vector: dims, similarity, index_options, single-valued поле и отрицательный тест несовместимого embedding.