Um embedding de texto é uma lista de números que representa significado. Cloudflare Vectorize oferece um armazenamento pesquisável para esses vetores, permitindo recuperar documentos relacionados mesmo quando as palavras do usuário não correspondem exatamente ao texto armazenado. Um sistema útil também precisa de IDs estáveis de documentos, dimensões compatíveis, tratamento de atualizações assíncronas e limites rigorosos entre clientes.
O curso constrói um pequeno serviço de conhecimento de suporte, uma habilidade por vez. Você cria e mantém um índice, realiza recuperação semântica, mantém pesquisas no escopo de cliente e categoria controlado pelo servidor e usa evidências limitadas para fundamentar uma resposta. Cada novo conceito de banco ou recuperação é explicado junto da operação que o exige. São 5 laboratórios guiados e 1 desafio independente de isolamento de clientes. Os laboratórios guiados apresentam cada habilidade antes do desafio.
O que você vai aprender
- Criar um índice vetorial de documentos: configurar um índice compatível, índices de metadados e vetores de documentos identificados.
- Manter documentos indexados atualizados: substituir registros alterados, retirar um ID e observar alterações assíncronas com segurança.
- Recuperar artigos de ajuda semelhantes: gerar o embedding de uma pergunta, classificar artigos próximos e retornar um resultado vazio explícito.
- Limitar a pesquisa por cliente e categoria: combinar um namespace selecionado pelo servidor com um filtro de metadados indexados.
- Construir um endpoint de resposta fundamentada: recuperar trechos de fontes com limites antes da geração e citar fontes acessíveis.
- Resultados de pesquisa de outro cliente: reparar de forma independente um endpoint que confia em uma substituição insegura do escopo.
Para quem é este curso
Estudantes de Workers AI que querem manter um índice vetorial e construir pesquisa de escopo definido apoiada em fontes.
Pré-requisitos: Conclua Cloudflare Workers AI for Beginners e Connect LabEx to Your Cloudflare Account. Você já deve reconhecer um Worker JavaScript, um binding Workers AI e um embedding BGE Small de 384 dimensões.
Ambiente de aprendizagem: Use sua própria conta de aprendizagem da Cloudflare. Cada unidade começa em uma nova VM, cria recursos descartáveis com nomes únicos, comprova comportamento real na nuvem, exclui apenas esses recursos e sai da conta. Os índices minúsculos e consultas limitadas cabem na franquia documentada do Workers Free; o laboratório de resposta fundamentada também usa a alocação diária compartilhada do Workers AI Free e não exige Workers Paid.
Perguntas frequentes
O que é um embedding de texto?
É uma lista de números que representa significado. Vectorize armazena vetores para que uma aplicação recupere documentos relacionados mesmo quando a pergunta usa palavras diferentes do texto armazenado.
Uma mudança no índice aparece imediatamente?
As mudanças no índice são assíncronas. Os laboratórios usam IDs estáveis e observação limitada para substituir registros alterados, retirar um ID e confirmar o resultado de recuperação da aplicação.
Como os limites entre clientes são aplicados?
A aplicação seleciona um namespace no servidor e aplica um filtro de metadados indexados. O desafio final repara um endpoint que confia em uma substituição insegura de escopo pelo cliente.
A geração fundamentada sempre tem evidências suficientes?
Não. Recupere trechos com limites, cite fontes acessíveis e retorne um resultado vazio explícito quando a evidência pretendida não estiver disponível. O laboratório de resposta fundamentada usa a alocação diária compartilhada do Workers AI.
