Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
Os cadernos seguintes mostram como usar o SDK de pesquisa vetorial em Python. Para obter informações de referência, consulte a referência do SDK do Python.
LangChain
Para mais informações sobre a utilização do LangChain com a Pesquisa Vetorial do Databricks, veja Integração da Pesquisa Vetorial do Databricks.
| Notebook | Description |
|---|---|
| Pesquisa vetorial com o SDK Python | Crie um endpoint de pesquisa, construa um índice vetorial delta sync, execute pesquisas de similaridade e converta os resultados em documentos LangChain. |
Usar um modelo de embedding
Estes cadernos mostram como configurar um endpoint Databricks Model Serving para gerar embeddings.
| Notebook | Description |
|---|---|
| Utilizar um modelo de embedding OpenAI | Use o SDK Python com um modelo externo de embedding (OpenAI) para criar e consultar um índice de pesquisa vetorial. |
| Usar um modelo de embedding GTE | Use o modelo de embedding da fundação GTE para carregar um conjunto de dados numa tabela Delta, fragmentar o texto, criar um endpoint de pesquisa vetorial e um índice delta-sync, e executar pesquisas de similaridade. |
| Registrar e servir um modelo de embedding OSS | Descarregue um modelo de embedding open source (e5-small-v2) do Hugging Face, registe-o no Unity Catalog e implemente-o como endpoint de Servidor de Modelos para utilização com a Pesquisa Vetorial Databricks. |
Usar a Pesquisa Vetorial com um token OAuth
| Notebook | Description |
|---|---|
| Use Pesquisa Vetorial com um token OAuth | Consulte o endpoint do Databricks Vector Search usando o SDK do Python ou pedidos HTTP diretos, autenticados usando um token OAuth de um principal de serviço através do caminho otimizado para a rede. |