Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Buku catatan berikut ini memperlihatkan cara menggunakan pencarian vektor Python SDK. Untuk informasi referensi, lihat referensi Python SDK.
LangChain
Untuk informasi selengkapnya tentang menggunakan LangChain dengan Databricks Vector Search, lihat Integrasi pencarian vektor Databricks.
| Notebook | Deskripsi |
|---|---|
| Pencarian Vektor dengan Python SDK | Buat titik akhir pencarian, buat indeks vektor delta-sync, jalankan pencarian kesamaan, dan konversi hasil ke dokumen LangChain. |
Menggunakan model penyematan
Buku catatan ini menunjukkan cara mengonfigurasi titik akhir Penyajian Model Databricks untuk membuat embeddings.
| Notebook | Deskripsi |
|---|---|
| Menggunakan model penyematan OpenAI | Gunakan SDK Python dengan model penyematan eksternal (OpenAI) untuk membuat dan mengkueri indeks pencarian vektor. |
| Menggunakan model penyematan GTE | Gunakan model penyematan fondasi GTE untuk memuat himpunan data ke dalam tabel Delta, memotong teks, membuat titik akhir pencarian vektor dan indeks delta-sync, dan menjalankan pencarian kesamaan. |
| Mendaftarkan dan menyajikan model embedding OSS | Unduh model penyematan sumber terbuka (e5-small-v2) dari Hugging Face, daftarkan ke Unity Catalog, dan sebarkan sebagai titik akhir Model Serving untuk digunakan dengan Databricks Vector Search. |
Menggunakan Pencarian Vektor dengan token OAuth
| Notebook | Deskripsi |
|---|---|
| Menggunakan Pencarian Vektor dengan token OAuth | Mengkueri titik akhir Pencarian Vektor Databricks menggunakan Python SDK atau permintaan HTTP langsung, diautentikasi menggunakan token OAuth perwakilan layanan melalui jalur yang dioptimalkan jaringan. |