Как загрузить свои embeddings в Meilisearch через userProvided

Порядок действий

1. Получите один контрольный embedding модели и проверьте размерность, конечность каждого числа и model revision.
2. Создайте userProvided embedder ru-local-v1 с ровно такой dimension.
3. Запишите документ со стабильным ID и _vectors.ru-local-v1; отдельно сохраните title и source_id для цитат.
4. Дождитесь завершения задачи индексации и повторите загрузку того же ID, проверяя отсутствие дубликата.
5. Постройте query vector той же моделью и передайте его в POST search вместе с именем embedder.

После каждого шага сохраняйте ID операции или задачи, связанные с тестом версии модели, а не только HTTP-статус. Если задача окончилась ошибкой, не скрывайте её повторным запросом к поиску: сначала устраняйте причину. Применение к Meilisearch Cloud и самостоятельной установке зависит от доступности endpoint и полномочий ключа; здесь используются точные имена HTTP API из официальной документации, но не выдуманные пункты интерфейса.

Готовый запрос или шаблон

PATCH /indexes/kb/settings/embedders
{"ru-local-v1":{"source":"userProvided","dimensions":3}}

POST /indexes/kb/documents
[{"id":"refund:1","title":"Возврат оплаты",
  "_vectors":{"ru-local-v1":{"embeddings":[0.1,0.2,0.3],"regenerate":false}}}]

POST /indexes/kb/search
{"vector":[0.12,0.19,0.28],"hybrid":{"embedder":"ru-local-v1","semanticRatio":1.0},"limit":5}

Никогда не копируйте заглушки URL, API key, model ID или тестовые vectors в рабочую систему без замены и проверки. Векторы длины три демонстрируют контракт данных; они не представляют реальную языковую модель и не позволяют обещать заданный порядок поисковых результатов.

Пример входа и ожидаемого результата

Вход: refund:1 с вектором из трёх чисел и shipping:1 с другим вектором; query [0.12,0.19,0.28]. Ожидаемый технический результат: задача индексации успешна, ответ содержит ID документов, повторная загрузка не увеличивает число уникальных ID. Для проверки смыслового порядка используйте настоящие vectors модели и вручную размеченные вопросы, а не искусственные числа.

Что важно при внедрении

Главная скрытая ошибка — две модели возвращают одинаковую длину, но их координатные системы различаются. Meilisearch видит правильную размерность и принимает запрос, хотя поиск становится бессмысленным. Проводите миграцию через новое имя embedder с параллельным наполнением и сравнивайте Recall@k на одном наборе вопросов. После обновления текста regenerate:false означает, что старый embedding остаётся; ваше приложение обязано пересчитать и повторно загрузить вектор вместе с документом, иначе semantic index отстанет от содержимого. Если результатов нет, сначала проверяйте task и имя ключа в _vectors, потом модель/длину и формат search body. Не передавайте клиенту публичный админ-ключ и не принимайте произвольный vector от пользователя без ограничения размера запроса и прав доступа к индексу. Для RAG держите исходный source_id, чтобы доказать происхождение любого найденного фрагмента.

Критерии проверки

• dimensions совпадает с длиной каждого embedding.
• В документах и запросе одинаковые model ID и preprocessing.
• Асинхронная задача завершилась без ошибки.
• Обновление текста сопровождается обновлением vector.