Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Följande anteckningsböcker visar hur man använder Python-SDK:n för AI Search. Referensinformation finns i Python SDK-referensen.
LangChain
Mer information om hur du använder LangChain med Databricks AI Search finns i Databricks-vektorsökningsintegrering.
| Notebook | Description |
|---|---|
| AI-sökning med Python SDK | Skapa en sökslutpunkt, skapa ett deltasynkroniseringsvektorindex, köra likhetssökningar och konvertera resultat till LangChain-dokument. |
Använd en inbäddningsmodell
De här notebook-filerna visar hur du konfigurerar en Databricks Model Serving-slutpunkt för att generera inbäddningar.
| Notebook | Description |
|---|---|
| Använda en OpenAI-inbäddningsmodell | Använd Python SDK med en extern inbäddningsmodell (OpenAI) för att skapa och köra frågor mot ett AI Search-index. |
| Använda en GTE-inbäddningsmodell | Använd GTE Foundation-inbäddningsmodellen för att läsa in en datauppsättning i en Delta-tabell, segmentera texten, skapa en AI Search-slutpunkt och deltasynkroniseringsindex och köra likhetssökningar. |
| Registrera och hantera en OSS-inbäddningsmodell | Ladda ned en open-source inbäddningsmodell (e5-small-v2) från Hugging Face, registrera den i Unity Catalog och distribuera den som en modelltjänstslutpunkt för användning med Databricks AI Search. |
Använda AI-sökning med en OAuth-token
| Notebook | Description |
|---|---|
| Använda AI-sökning med en OAuth-token | Fråga en Databricks AI Search-slutpunkt med hjälp av Python SDK eller direkta HTTP-begäranden, autentiserade med en OAuth-token för tjänstens huvudnamn via den nätverksoptimerade sökvägen. |