Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как хранить chunks для RAG в Vespa с проверяемыми source_id
Схема chunk-документов, parent ID, versioned embeddings, готовый prompt и тест цитат по исходным фрагментам.
Как разложить документы на chunks для RAG через index projections Azure AI Search
Один поисковый документ на chunk: parent_id, sourceContext, skipIndexingParentDocuments и проверка наследования доступа.
Как очистить текст для RAG через Haystack DocumentCleaner
Удаляем артефакты извлечения из документов, сохраняя значимые пробелы, страницы и исходную разметку.
Как выбрать angular или euclidean distance для embeddings в Vespa
Привязка метрики Vespa к embedding-модели, сравнение angular и euclidean и проверка совместимости индекса.
Как объединить BM25 и vector search в Vespa для поиска по смыслу и словам
Индекс text, BM25 rank feature, nearestNeighbor, объединение кандидатов и измерение качества гибридного поиска.
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 фильтровать векторный поиск Vespa по tenant без утечки в RAG
YQL-фильтр вместе с nearestNeighbor, серверный tenant, pre-filtering, отрицательный ACL-тест и проверка полного top-k.
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.
Как скрыть embeddings из ответа Vespa через document-summary
Отдельный document-summary для RAG: source_id и text вместо vector payload, запрос presentation.summary и проверка ответа.
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 сохранить кэш индексации LlamaIndex IngestionPipeline
Persist и load кэша преобразований для повторного запуска с неизменными документами без ложных обещаний полной идемпотентности.
Как сохранить embeddings в Neo4j через setNodeVectorProperty без смешивания моделей
Идемпотентная запись vectors в узлы: MERGE, model_id, checksum, проверка длины и db.create.setNodeVectorProperty вместо строковой сборки Cypher.
Как загрузить embeddings в Vespa через JSONL feed без дублей
Формат put-операций Vespa CLI, стабильные ID, проверка source_id и безопасная повторная загрузка embeddings.
Как проверить Recall@3 выдачи документов для RAG на размеченных запросах
Практический расчёт Recall@3 для RAG: эталонные документы, найденные ID, пропуски и проверка воспроизводимости.
Как хранить embeddings в pgvector: schema, размерность и upsert
Проектирование vector(n), стабильный ключ документа, ON CONFLICT, проверка размерности и запрет смешивания embedding-моделей.
Как найти пропущенные участки документа после нарезки для RAG
Находим разрывы покрытия исходного текста фрагментами RAG по сохранённым диапазонам и разбираем граничный случай.
Как сохранить несколько embeddings одного документа в Meilisearch
Массив векторов одного документа в _vectors.embeddings для нескольких абзацев, их обновление и проверка релевантности.
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 импортировать большой датасет в Pinecone из object storage
Bulk import из S3, GCS или Azure Blob: serverless index, storage integration, Parquet или JSONL, директории namespaces, error_mode и polling.
Как подключиться к LanceDB из Python: локально, object storage или Enterprise
Выбор URI LanceDB для локального каталога, S3/GCS/Azure и Enterprise, безопасные credentials, список таблиц и проверка подключения.