Un embedding de texto es una lista de números que representa significado. Cloudflare Vectorize proporciona un lugar consultable para esos vectores, de modo que una aplicación puede recuperar documentos relacionados aunque las palabras del usuario no coincidan exactamente con el texto almacenado. Un sistema útil de búsqueda también necesita identificadores de documento estables, dimensiones compatibles, gestión de actualizaciones asíncronas y límites estrictos entre clientes.
El curso construye un pequeño servicio de conocimientos de soporte capacidad a capacidad. Crearás y mantendrás un índice, realizarás recuperación semántica, mantendrás búsquedas dentro del cliente y categoría controlados por el servidor y usarás evidencia limitada para fundamentar una respuesta. Cada nuevo concepto de base de datos o recuperación se explica junto a la operación que lo necesita.
El curso contiene 5 laboratorios guiados y 1 reto independiente de aislamiento de clientes. Los laboratorios guiados presentan cada capacidad antes del reto independiente.
Qué aprenderás
- Crear un índice vectorial de documentos: configurar un índice compatible, índices de metadatos y vectores de documentos identificados.
- Mantener actualizados los documentos indexados: reemplazar registros cambiados, retirar un identificador y observar mutaciones asíncronas de forma segura.
- Recuperar artículos de ayuda similares: generar el embedding de una pregunta, ordenar artículos cercanos y devolver un resultado vacío explícito.
- Limitar búsquedas por cliente y categoría: combinar un espacio de nombres elegido por el servidor con un filtro de metadatos indexados.
- Construir un endpoint de respuestas fundamentadas: recuperar pasajes fuente limitados antes de generar y citar fuentes consultables.
- Resultados de búsqueda entre clientes: reparar de forma independiente un endpoint que confía en una modificación insegura del alcance.
A quién va dirigido este curso
Estudiantes de Workers AI que quieren mantener un índice vectorial y construir búsquedas de alcance limitado respaldadas por fuentes.
Requisitos previos: Completa Cloudflare Workers AI for Beginners y Connect LabEx to Your Cloudflare Account. Debes reconocer ya un Worker JavaScript, un enlace Workers AI y un embedding BGE Small de 384 dimensiones.
Entorno de aprendizaje: Usa tu propia cuenta Cloudflare de aprendizaje. Cada unidad empieza en una VM nueva, crea recursos desechables con nombres únicos, demuestra comportamiento real de nube, elimina solo esos recursos y cierra sesión. Los índices pequeños y consultas limitadas caben en la cuota documentada de Workers Free; el laboratorio de respuestas fundamentadas también usa la asignación diaria compartida de Workers AI Free y no requiere Workers Paid.
Preguntas frecuentes
¿Qué es un embedding de texto?
Es una lista de números que representa significado. Vectorize almacena vectores para que una aplicación recupere documentos relacionados aunque la formulación de la pregunta difiera del texto almacenado.
¿Un cambio de índice aparece inmediatamente?
Los cambios del índice son asíncronos. Los laboratorios usan identificadores estables de documentos y observación limitada para reemplazar registros cambiados, retirar un identificador y confirmar el resultado de recuperación de la aplicación.
¿Cómo se aplican los límites entre clientes?
La aplicación selecciona un espacio de nombres en el servidor y aplica un filtro de metadatos indexados. El reto final repara un endpoint que confía en una modificación insegura del alcance por parte del cliente.
¿La generación fundamentada siempre tiene suficiente evidencia?
No. Recupera pasajes limitados, cita fuentes consultables y devuelve un resultado vacío explícito cuando la evidencia prevista no está disponible. El laboratorio de respuestas fundamentadas usa la asignación diaria compartida de Workers AI.
