Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
De volgende notebooks laten zien hoe u de Python SDK gebruikt voor vectorzoekfuncties. Zie de Naslaginformatie over de Python SDK voor naslaginformatie.
LangChain
Raadpleeg integratie van Databricks vector search voor meer informatie over het gebruik van LangChain met Databricks Vector Search.
| Notebook | Description |
|---|---|
| Vector zoeken met de Python SDK | Maak een zoekeindpunt, bouw een deltasynchronisatievectorindex, voer overeenkomstenzoekopdrachten uit en converteer resultaten naar LangChain-documenten. |
Een insluitmodel gebruiken
Deze notebooks laten zien hoe u een Databricks Model Serving-eindpunt configureert om insluitingen te genereren.
| Notebook | Description |
|---|---|
| Een OpenAI-insluitmodel gebruiken | Gebruik de Python SDK met een extern insluitmodel (OpenAI) om een vectorzoekindex te maken en er query's op uit te voeren. |
| Een GTE-insluitmodel gebruiken | Gebruik het insluitmodel van de GTE Foundation om een gegevensset in een Delta-tabel te laden, de tekst te segmenteren, een vectorzoekeindpunt en deltasynchronisatieindex te maken en gelijkeniszoekopdrachten uit te voeren. |
| Een OSS-insluitingsmodel registreren en leveren | Download een open source insluitmodel (e5-small-v2) van Hugging Face, registreer het in Unity Catalog en implementeer het als een model dienend eindpunt voor gebruik met Databricks Vector Search. |
Vector Search gebruiken met een OAuth-token
| Notebook | Description |
|---|---|
| Vector Search gebruiken met een OAuth-token | Voer een query uit op een Databricks Vector Search-eindpunt met behulp van de Python SDK of directe HTTP-aanvragen, geverifieerd met behulp van een OAuth-token van de service-principal via het pad dat is geoptimaliseerd voor het netwerk. |