回到首页v1.14文档

    使用 AI 驱动的搜索与用户提供的嵌入

    本指南展示了如何使用用户生成的嵌入执行 AI 驱动的搜索，而无需依赖第三方工具。

    要求

    配置自定义嵌入器

    配置 embedder 索引设置，将其源设置为 userProvided

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

    将文档添加到 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

    当使用自定义嵌入器时，您必须向量化您的文档和用户查询。

    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，指示搜索向量。当使用用户提供的嵌入进行向量搜索时，您必须自己生成这些向量。

    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"]
  }'