Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как измерить Recall@10 и p95 MongoDB Vector Search на своём датасете
Воспроизводимый benchmark MongoDB: exact ENN ground truth, ANN candidate grid, filters, concurrency, Recall@10, nDCG@10 и tail latency.
Как загрузить embeddings в MongoDB без дублей и смешивания моделей
Схема документов, стабильные _id, model_id, dimension-check, bulkWrite с upsert и сверка manifest перед запуском MongoDB Vector Search.
Как фильтровать MongoDB Vector Search по tenant и visibility до поиска
Безопасный pre-filter в $vectorSearch, filter fields в индексе, ACL с backend identity и отрицательный тест межклиентской утечки.
Как настроить numCandidates в MongoDB Vector Search по Recall@10 и p95
Проверяемая сетка numCandidates для фиксированного limit: exact baseline, Recall@10, p95/p99, QPS, фильтры и выбор по SLO.
Как обновить индекс MongoDB Vector Search без простоя и потери отката
Versioned index и embedding field, rebuild-поведение, backfill, dual read, canary, проверка готовности и безопасное удаление старой версии.
Как сделать exact vector search в MongoDB и получить эталон для ANN
ENN-запрос с exact:true, тот же index/path/filter, сохранение exact top-k и расчёт Recall@10 для проверки approximate search.
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 включить scalar или binary quantization в MongoDB Vector Search
Индекс с quantization, сравнение float/scalar/binary, full-fidelity rescoring, Recall@10, p95, RAM и disk без обещаний на чужом benchmark.
Как выбрать cosine, dotProduct или euclidean в MongoDB Vector Search
Сравнение трёх similarity по контракту embedding-модели, нормализации, ranking, exact baseline и миграции через новый индекс.
Как выполнить семантический поиск MongoDB через $vectorSearch
Рабочий aggregation pipeline с index, path, queryVector, numCandidates, limit, vectorSearchScore и исключением embedding из ответа.
Как хранить историю агента в MongoDBSession
Подключаем MongoDBSession.from_uri, выполняем два хода, проверяем память и корректно закрываем принадлежащий сессии клиент.
Как проверить MongoDBSession через ping и отдельные коллекции
Выносим сообщения и метаданные MongoDBSession в именованные коллекции, проверяем ping, порядок пачек и атомарный отказ.
Как добавить готовые сообщения через add_items в OpenAI Agents SDK
Добавляем импортированный диалог в SQLiteSession через add_items и машинно проверяем сохранение пачки без запуска модели.
Как полностью очистить историю через clear_session в OpenAI Agents SDK
Безопасно очищаем одну SQLiteSession методом clear_session, подтверждаем пустую историю и изоляцию соседней сессии.
Как отменить последний ход через pop_item в OpenAI Agents SDK
Удаляем ошибочную пару вопрос–ответ двумя вызовами pop_item, проверяем возвращённые элементы и записываем исправленный вопрос.
Как подключить DaprSession к OpenAI Agents SDK
Подключаем Dapr state store через DaprSession.from_address, запускаем два хода и проверяем закрытие owned-клиента.
Как прочитать историю сессии через get_items в OpenAI Agents SDK
Практический разбор get_items(): читаем историю SQLiteSession, проверяем порядок и формат элементов до запуска агента.
Как проверить истечение TTL в EncryptedSession OpenAI Agents SDK
Создаём короткий интеграционный тест EncryptedSession: запись, чтение до TTL и подтверждение пропуска просроченного элемента.
Как реализовать собственный Session backend для OpenAI Agents SDK
Реализуем минимальный backend по протоколу Session: get_items, add_items, pop_item и clear_session, затем прогоняем контрактные тесты.
Как включить TTL и strong consistency в DaprSession
Настраиваем ttl и DAPR_CONSISTENCY_STRONG для DaprSession, затем проверяем истечение истории и изоляцию session_id.