Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
I notebook seguenti illustrano come usare la ricerca vettoriale Python SDK. Per informazioni di riferimento, vedere il riferimento del Python SDK.
LangChain
Per altre informazioni sull'uso di LangChain con La ricerca vettoriale di Databricks, vedere Integrazione della ricerca vettoriale di Databricks.
| Notebook | Descrizione |
|---|---|
| Ricerca vettoriale con il Python SDK | Creare un endpoint di ricerca, compilare un indice vettoriale di sincronizzazione differenziale, eseguire ricerche di somiglianza e convertire i risultati in documenti LangChain. |
Usare un modello di incorporamento
Questi notebook illustrano come configurare un endpoint Databricks Model Serving per generare embedding.
| Notebook | Descrizione |
|---|---|
| Usare un modello di incorporamento OpenAI | Usare Python SDK con un modello di incorporamento esterno (OpenAI) per creare ed eseguire query su un indice di ricerca vettoriale. |
| Usare un modello di incorporamento GTE | Usare il modello di incorporamento della base GTE per caricare un set di dati in una tabella Delta, suddividere il testo, creare un endpoint di ricerca vettoriale e un indice di sincronizzazione differenziale ed eseguire ricerche di somiglianza. |
| Registrare e distribuire un modello di embedding OSS | Scaricare un modello di incorporamento open source (e5-small-v2) da Hugging Face, registrarlo nel catalogo unity e distribuirlo come endpoint di gestione dei modelli da usare con Ricerca vettori di Databricks. |
Usare Ricerca vettoriale con un token OAuth
| Notebook | Descrizione |
|---|---|
| Usare Ricerca vettoriale con un token OAuth | Eseguire query su un endpoint di Ricerca vettoriale di Databricks usando l'SDK di Python o le richieste HTTP dirette, autenticate usando un token OAuth dell'entità servizio nel percorso ottimizzato per la rete. |