Observação
O acesso a essa página exige autorização. Você pode tentar entrar ou alterar diretórios.
O acesso a essa página exige autorização. Você pode tentar alterar os diretórios.
Os notebooks a seguir mostram como usar o SDK Python para pesquisa vetorial. Para obter informações de referência, consulte a referência do SDK do Python.
LangChain
Para obter mais informações sobre como usar o LangChain com o Databricks Vector Search, consulte a integração de pesquisa de vetor do Databricks.
| Notebook | Descrição |
|---|---|
| Busca vetorial com o SDK Python | Crie um ponto de extremidade de pesquisa, crie um índice de vetor de sincronização delta, execute pesquisas de similaridade e converta resultados em documentos langChain. |
Usar um modelo de inserção
Esses notebooks mostram como configurar um endpoint de Model Serving do Databricks para gerar embeddings.
| Notebook | Descrição |
|---|---|
| Usar um modelo de embedding da OpenAI | Use o SDK Python com um modelo de inserção externo (OpenAI) para criar e consultar um índice de pesquisa de vetor. |
| Usar um modelo de inserção GTE | Use o modelo de inserção de base GTE para carregar um conjunto de dados em uma tabela Delta, dividir o texto, criar um ponto de extremidade de pesquisa vetor e um índice de sincronização delta e executar pesquisas de similaridade. |
| Registrar e servir um modelo de incorporação do OSS (Open Source Software) | Baixe um modelo de incorporação código aberto (e5-small-v2) do Hugging Face, registre-o no Catálogo do Unity e implante-o como um endpoint de serviço de modelo para uso com o Databricks Vector Search. |
Utilize a Pesquisa Vetorial com um token OAuth
| Notebook | Descrição |
|---|---|
| Usar a Pesquisa de Vetor com um token OAuth | Consulte um endpoint de Pesquisa de Vetor do Databricks usando o SDK Python ou solicitações HTTP diretas, autenticadas usando um token OAuth da entidade de serviço pelo caminho otimizado para a rede. |