Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
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 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 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 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 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 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 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 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 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 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 выполнить семантический поиск MongoDB через $vectorSearch
Рабочий aggregation pipeline с index, path, queryVector, numCandidates, limit, vectorSearchScore и исключением embedding из ответа.
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 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.
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 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 векторный индекс Redis для JSON-документов через HNSW
Практический FT.CREATE ON JSON: PREFIX, JSONPath, DIM, FLOAT32, COSINE, HNSW и отрицательный тест размерности embedding.
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 dense_vector mapping в Elasticsearch без ошибки размерности
Явный mapping dense_vector: dims, similarity, index_options, single-valued поле и отрицательный тест несовместимого embedding.