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 notebook-filer visar hur du använder vektorsökningen Python SDK. Referensinformation finns i Python SDK-referensen.
LangChain
Mer information om hur du använder LangChain med Databricks Vector Search finns i Databricks-vektorsökningsintegrering.
| Notebook | Description |
|---|---|
| Vector-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 vektorsökningsindex. |
| Använda en GTE-inbäddningsmodell | Använd GTE Foundation-inbäddningsmodellen för att läsa in en datamängd i en Delta-tabell, segmentera texten, skapa en slutpunkt för vektorsökning 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 Vector Search. |
Använda vektorsökning med en OAuth-token
| Notebook | Description |
|---|---|
| Använda vektorsökning med en OAuth-token | Skicka en förfrågan till en Databricks Vector Search-slutpunkt med hjälp av Python SDK eller direkta HTTP-begäranden, autentiserade med en OAuth-token för tjänstens huvudman via den optimerade nätverksvägen. |