Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как создать эмбеддинги в Gemini API и проверить семантический поиск
Как вызвать embedContent в Gemini API, индексировать фрагменты, считать сходство и проверить поиск на реалистичном наборе вопросов.
Как настроить семантический поиск Pinecone и проверить Recall@k
Semantic search по тексту или вектору: тот же namespace, top_k, metadata, gold-набор, Recall@k и защита RAG от нерелевантного контекста.
Как выполнить семантический поиск MongoDB через $vectorSearch
Рабочий aggregation pipeline с index, path, queryVector, numCandidates, limit, vectorSearchScore и исключением embedding из ответа.
Как сделать семантический поиск через Ollama embeddings локально
Локальный поиск по смыслу через Ollama embeddings: чанки, API, cosine similarity и тест релевантности.
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 embeddings для поиска по текстам: чанки, векторы и проверка выдачи
Практический семантический поиск через embeddings: подготовка фрагментов, вызов API, cosine similarity и тест качества.
Как настроить семантический поиск ChromaDB и проверить distances
Collection.query в ChromaDB: query_texts, n_results, include, вложенная структура ответа, distances и оценка Recall@k для RAG.
Как использовать embeddings GigaChat для поиска похожих текстов
Embeddings GigaChat: вектор из 1024 координат, окно 512 токенов, косинусное сходство, чанкинг и проверка качества поиска.
Как сделать поиск по документам с RAG: от файлов до проверяемого ответа
Понятный план RAG-системы: очистка документов, разбиение текста, embeddings, поиск фрагментов и ответы со ссылками.
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 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 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.
Perplexity или ChatGPT для поиска: что выбрать для учёбы и работы
Сравниваем Perplexity и ChatGPT для поиска: источники, диалог, работа с черновиками и способ выбрать сервис на реальной задаче.
Как сделать семантический поиск через Cohere Embed V2
Практическое руководство по запросу «как использовать Cohere embeddings»: реальные параметры Cohere API, рабочий код, ограничения и измеримая проверка результата.
Как измерить Recall@k поиска через InformationRetrievalEvaluator
Готовим queries, corpus и relevant_docs, проверяем golden IDs и сравниваем качество модели до смены индекса.
Как настроить смысловой поиск в Haystack InMemoryEmbeddingRetriever
Индексируем документы и запрос одной embedding-моделью, проверяем размерность, top_k и качество на перефразировках.
Как измерить Recall@10 ANN-поиска Vespa через exact baseline
Два сопоставимых nearestNeighbor-запроса с approximate:false, формула Recall@10 и ограничения exact baseline.
Как измерить полноту поиска в Haystack через DocumentRecallEvaluator
Размеченные документы, SINGLE_HIT и MULTI_HIT, индивидуальные оценки и тест на потерю нужного фрагмента.
Как выполнить kNN-поиск в Typesense с готовым embedding
vector_query для Typesense 30.2: q=*, k, per_page, exclude_fields и проверка одинаковой модели запроса и документов.
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.