本指南展示了如何使用用户生成的嵌入来执行 AI 驱动的搜索，而不是依赖第三方工具。

​
要求

  • 一个 Meilisearch 项目

​
配置自定义嵌入器

配置 embedder 索引设置，将其来源设置为 userProvided

curl \
  -X PATCH 'MEILISEARCH_URL/indexes/movies/settings' \
  -H 'Content-Type: application/json' \
  --data-binary '{
    "embedders": {
      "image2text": {
        "source":  "userProvided",
        "dimensions": 3
      }
    }
  }'

​
添加文档到 Meilisearch

接下来，使用 /documents 端点 上传向量化文档。将向量数据放在文档的 _vectors 字段中

curl -X POST -H 'content-type: application/json' \
'localhost:7700/indexes/products/documents' \
--data-binary '[
    { "id": 0, "_vectors": {"image2text": [0, 0.8, -0.2]}, "text": "frying pan" },
    { "id": 1, "_vectors": {"image2text": [1, -0.2, 0]}, "text": "baking dish" }
]'

​
使用用户提供的嵌入进行向量搜索

使用自定义嵌入器时，您必须对文档和用户查询进行向量化。

一旦您有了查询的向量，将其传递给 vector 搜索参数以执行 AI 驱动的搜索

curl -X POST -H 'content-type: application/json' \
  'localhost:7700/indexes/products/search' \
  --data-binary '{ "vector": [0, 1, 2] }'

vector 必须是一个数字数组，表示搜索向量。当使用用户提供的嵌入进行向量搜索时，您必须自行生成这些向量。

vector 可以与 其他搜索参数 一起使用，包括 filter 和 sort

curl -X POST -H 'content-type: application/json' \
  'localhost:7700/indexes/products/search' \
  --data-binary '{
    "vector": [0, 1, 2],
    "filter": "price < 10",
    "sort": ["price:asc"]
  }'