Ein Text-Embedding ist eine Liste von Zahlen, die Bedeutung repräsentiert. Cloudflare Vectorize bietet diesen Vektoren einen durchsuchbaren Speicher, sodass eine Anwendung verwandte Dokumente finden kann, auch wenn die Wörter des Benutzers nicht genau dem gespeicherten Text entsprechen. Ein nützliches Suchsystem benötigt außerdem stabile Dokument-IDs, kompatible Dimensionen, Behandlung asynchroner Aktualisierungen und strenge Kundengrenzen.
Dieser Kurs baut einen kleinen Support-Wissensdienst Fähigkeit für Fähigkeit auf. Du erstellst und pflegst einen Index, führst semantische Suche aus, begrenzt Suchen auf servergesteuerte Kunden- und Kategoriebereiche und nutzt begrenzte Nachweise, um eine Antwort zu fundieren. Jedes neue Datenbank- oder Suchkonzept wird neben der Operation erklärt, die es benötigt.
Der Kurs umfasst 5 angeleitete Labs und 1 eigenständige Aufgabe zur Kundenisolation. Die angeleiteten Labs vermitteln jede Fähigkeit vor der eigenständigen Aufgabe.
Was du lernen wirst
- Einen Dokumentvektorindex erstellen: einen kompatiblen Index, Metadatenindizes und identifizierte Dokumentvektoren konfigurieren.
- Indexierte Dokumente aktuell halten: geänderte Datensätze ersetzen, eine ID entfernen und asynchrone Änderungen sicher beobachten.
- Ähnliche Hilfeartikel finden: eine Frage einbetten, nahe Artikel ordnen und ein ausdrücklich leeres Ergebnis zurückgeben.
- Suche nach Kunde und Kategorie begrenzen: einen serverseitig ausgewählten Namensraum mit einem indexierten Metadatenfilter kombinieren.
- Einen Endpunkt für fundierte Antworten bauen: vor der Generierung begrenzte Quellpassagen abrufen und zugängliche Quellen zitieren.
- Kundenübergreifende Suchergebnisse: einen Endpunkt eigenständig reparieren, der einer unsicheren Überschreibung des Suchbereichs vertraut.
Für wen dieser Kurs geeignet ist
Workers-AI-Lernende, die einen Vektorindex pflegen und begrenzte, quellenbasierte Suche bauen möchten.
Voraussetzungen: Absolviere Cloudflare Workers AI for Beginners und Connect LabEx to Your Cloudflare Account. Du solltest einen JavaScript Worker, eine Workers-AI-Bindung und ein 384-dimensionales BGE-Small-Embedding bereits erkennen.
Lernumgebung: Nutze dein eigenes Cloudflare-Lernkonto. Jede Einheit beginnt in einer neuen VM, erstellt temporäre Ressourcen mit eindeutigen Namen, belegt tatsächliches Cloud-Verhalten, löscht ausschließlich diese Ressourcen und meldet dich ab. Die kleinen Indizes und begrenzten Abfragen passen in das dokumentierte Workers-Free-Kontingent. Das Lab für fundierte Antworten nutzt außerdem das geteilte tägliche Workers-AI-Free-Kontingent und erfordert Workers Paid nicht.
Häufig gestellte Fragen
Was ist ein Text-Embedding?
Es ist eine Liste von Zahlen, die Bedeutung repräsentiert. Vectorize speichert Vektoren, damit eine Anwendung verwandte Dokumente findet, auch wenn die Formulierung der Frage vom gespeicherten Text abweicht.
Wird eine Indexänderung sofort sichtbar?
Indexänderungen erfolgen asynchron. Die Labs verwenden stabile Dokument-IDs und begrenzte Beobachtung, um geänderte Datensätze zu ersetzen, eine ID zu entfernen und das Suchergebnis der Anwendung zu bestätigen.
Wie werden Kundengrenzen durchgesetzt?
Die Anwendung wählt einen Namensraum auf dem Server und verwendet einen indexierten Metadatenfilter. Die abschließende Aufgabe repariert einen Endpunkt, der einer unsicheren clientseitigen Bereichsüberschreibung vertraut.
Hat fundierte Generierung immer genug Nachweise?
Nein. Rufe begrenzte Passagen ab, zitiere zugängliche Quellen und gib ein ausdrücklich leeres Ergebnis zurück, wenn die vorgesehenen Nachweise fehlen. Das Lab für fundierte Antworten nutzt das geteilte tägliche Workers-AI-Kontingent.
