Текстовый эмбеддинг — список чисел, представляющий смысл. Cloudflare Vectorize даёт векторам доступное для поиска хранилище, позволяя приложению находить связанные документы, даже если слова пользователя не совпадают точно с сохранённым текстом. Полезная поисковая система также требует стабильных идентификаторов документов, совместимых размерностей, обработки асинхронных обновлений и строгих клиентских границ.
Курс строит небольшой сервис знаний поддержки по одной возможности за раз. Вы создадите и поддержите индекс, выполните семантический поиск, ограничите поиск управляемыми сервером клиентом и категорией и используете ограниченные доказательства для обоснования ответа. Каждое новое понятие базы данных или поиска объясняется рядом с нуждающейся в нём операцией.
Курс включает 5 пошаговых работ и 1 самостоятельную задачу изоляции клиентов. Пошаговые работы вводят каждую возможность перед самостоятельной задачей.
Чему вы научитесь
- Создать векторный индекс документов: настроить совместимый индекс, индексы метаданных и идентифицированные векторы документов.
- Поддерживать актуальность индексированных документов: заменять изменённые записи, удалять один идентификатор и безопасно наблюдать асинхронные изменения.
- Находить похожие статьи помощи: создать эмбеддинг вопроса, ранжировать близкие статьи и возвращать явный пустой результат.
- Ограничивать поиск клиентом и категорией: сочетать выбранное сервером пространство имён с фильтром индексированных метаданных.
- Построить конечную точку обоснованного ответа: извлекать ограниченные фрагменты источников до генерации и цитировать доступные источники.
- Поисковые результаты других клиентов: самостоятельно исправить конечную точку, доверяющую небезопасной подмене области.
Для кого предназначен курс
Учащиеся Workers AI, желающие поддерживать векторный индекс и создавать ограниченный поиск с опорой на источники.
Предварительные требования: Завершите Cloudflare Workers AI for Beginners и Connect LabEx to Your Cloudflare Account. Вы должны узнавать JavaScript Worker, привязку Workers AI и 384-мерный эмбеддинг BGE Small.
Учебная среда: Используйте собственный учебный аккаунт Cloudflare. Каждое занятие начинается в новой VM, создаёт уникально именованные временные ресурсы, доказывает реальное облачное поведение, удаляет только эти ресурсы и выходит из аккаунта. Малые индексы и ограниченные запросы укладываются в документированный лимит Workers Free; работа обоснованных ответов также использует общий дневной лимит Workers AI Free и не требует Workers Paid.
Часто задаваемые вопросы
Что такое текстовый эмбеддинг?
Это список чисел, представляющий смысл. Vectorize хранит векторы, чтобы приложение находило связанные документы, даже когда формулировка вопроса отличается от сохранённого текста.
Появляется ли изменение индекса немедленно?
Изменения асинхронны. Работы используют стабильные идентификаторы документов и ограниченное наблюдение для замены изменённых записей, удаления идентификатора и подтверждения поискового результата приложения.
Как обеспечиваются клиентские границы?
Приложение выбирает пространство имён на сервере и применяет фильтр индексированных метаданных. Последняя задача исправляет конечную точку, доверяющую небезопасной клиентской подмене области.
Всегда ли достаточно доказательств для обоснованной генерации?
Нет. Извлекайте ограниченные фрагменты, цитируйте доступные источники и возвращайте явный пустой результат при отсутствии нужных доказательств. Работа обоснованных ответов использует общий дневной лимит Workers AI.
