Wyszukiwanie wektorowe za pomocą vector store
Pobieraj najbardziej trafne fragmenty
Wyszukiwanie wektorowe za pomocą vector store to bezpłatna lekcja NLP Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej NLP Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs NLP Academy zawiera 4 lekcji w sumie.
Do czego służy magazyn wektorów
Magazyn wektorów przechowuje embeddingi fragmentów i szybko wyszukuje te, które są najbliżej zapytania, nawet wśród milionów wektorów.
Wyszukiwanie według podobieństwa
Zamiast dopasowywać słowa kluczowe, dopasowuje się znaczenie. Magazyn zwraca fragmenty, których wektory znajdują się najbliżej wektora zapytania.
Podobieństwo cosinusowe
Najczęściej stosowaną miarą odległości jest podobieństwo cosinusowe. Porównuje ono kąt między dwoma wektorami, więc większa bliskość znaczeniowa daje wyższy wynik.
Osadzanie zapytania w ten sam sposób
Pytanie musi używać tego samego modelu co fragmenty. Niezgodne embeddingi znajdują się w różnych przestrzeniach i nie można ich porównywać.
query_vec = model.encode(["How do I reset my password?"])Wyszukiwanie Top-K
Rzadko potrzebne są wszystkie dopasowania. Należy poprosić magazyn o top-k najbliższych fragmentów, gdzie k jest małą liczbą, na przykład 3 lub 5.
Prosty magazyn w pamięci
W przypadku małych zbiorów danych FAISS przechowuje wektory w pamięci i wyszukuje je w milisekundach. Najpierw tworzy się indeks, a następnie dodaje do niego wektory.
import faiss
index = faiss.IndexFlatIP(384)
index.add(vectors)Wykonywanie wyszukiwania
Należy wywołać search z wektorem zapytania i wartością k. Zwraca ono wyniki oraz indeksy najlepiej dopasowanych fragmentów.
scores, ids = index.search(query_vec, k=3)Mapowanie wyników z powrotem na tekst
Magazyn zwraca indeksy, a nie tekst. Należy ich użyć do odszukania oryginalnych fragmentów przechowywanych razem z wektorami.
hits = [chunks[i] for i in ids[0]]Trwałe bazy danych wektorowych
W rzeczywistych aplikacjach baza danych wektorowych, taka jak Chroma lub Pinecone, przechowuje wektory na dysku, skaluje się i zachowuje dane po ponownym uruchomieniu.
Filtrowanie za pomocą metadanych
Do każdego wektora należy dołączyć takie znaczniki jak autor lub data. Następnie można filtrować wyszukiwanie, na przykład wybierając tylko fragmenty z jednego dokumentu.
Dlaczego wyszukiwanie przybliżone pomaga
Dokładne wyszukiwanie staje się wolne przy dużej skali. Indeksy przybliżonych najbliższych sąsiadów poświęcają odrobinę dokładności na rzecz ogromnego wzrostu szybkości.
Szybkie sprawdzenie
Przypomnij sobie, jak magazyn wektorów wyszukuje odpowiednie fragmenty.
Podsumowanie
Magazyn wektorów osadza zapytanie, wyszukuje na podstawie podobieństwa k najbliższych fragmentów i mapuje wyniki z powrotem na tekst. ✅
Często zadawane pytania
Czy lekcja „Wyszukiwanie wektorowe za pomocą vector store” jest bezpłatna?
Tak — pełny tekst „Wyszukiwanie wektorowe za pomocą vector store” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu NLP Academy, przejdź na CoddyKit PRO. Kurs NLP Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Wyszukiwanie wektorowe za pomocą vector store”?
Pobieraj najbardziej trafne fragmenty Ćwiczysz NLP Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć NLP Academy?
Nie wymagamy żadnego doświadczenia. NLP Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.
Ile czasu zajmuje lekcja „Wyszukiwanie wektorowe za pomocą vector store”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji NLP Academy?
Tak. Każda lekcja NLP Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Dlaczego LLM potrzebują retrievalu
- Dzielenie i tworzenie embeddingów dokumentów
- Wyszukiwanie wektorowe za pomocą vector store
- Włączanie retrievalu do promptu