Beispiel-Notizbücher zur Vektorsuche

In den folgenden Notizbüchern wird gezeigt, wie Sie die Vektorsuche Python SDK verwenden. Referenzinformationen finden Sie in der Python SDK-Referenz.

LangChain

Weitere Informationen zur Verwendung von LangChain mit databricks Vector Search finden Sie unter Databricks-Vektorsuchintegration.

Notebook	Description
Vectorsuche mit dem Python SDK	Erstellen Sie einen Suchendpunkt, erstellen Sie einen Delta-Synchronisierungsvektorindex, führen Sie Ähnlichkeitssuchen aus, und konvertieren Sie Ergebnisse in LangChain-Dokumente.

Verwenden eines Einbettungsmodells

Diese Notizbücher zeigen, wie Sie einen Databricks Model Serving-Endpunkt konfigurieren, um Einbettungen zu generieren.

Notebook	Description
Verwenden eines OpenAI-Einbettungsmodells	Verwenden Sie das Python SDK mit einem externen Einbettungsmodell (OpenAI), um einen Vektorsuchindex zu erstellen und abzufragen.
Verwenden Sie ein GTE-Einbettungsmodell	Verwenden Sie das GTE Foundation-Einbettungsmodell, um ein Dataset in eine Delta-Tabelle zu laden, den Text zu unterteilen, einen Vektorsuchendpunkt und einen Delta-Synchronisierungsindex zu erstellen und Ähnlichkeitssuchen auszuführen.
Registrieren und Bedienen eines OSS-Einbettungsmodells	Laden Sie ein Open Source Einbettungsmodell (e5-small-v2) aus Hugging Face herunter, registrieren Sie es im Unity-Katalog, und stellen Sie es als Modellbereitstellungsendpunkt für die Verwendung mit der Databricks-Vektorsuche bereit.

Verwenden der Vektorsuche mit einem OAuth-Token

Notebook	Description
Verwenden der Vektorsuche mit einem OAuth-Token	Abfrage eines Databricks Vector Search-Endpunkts mithilfe des Python SDK oder durch direkte HTTP-Anforderungen, authentifiziert mit einem Dienstprinzipal-OAuth-Token über den netzwerkoptimierten Pfad.