Эмбеддинги (семантический поиск)

4 провайдера эмбеддингов через HTTP, без SDK:

Провайдер	Endpoint	Auth
OpenAI + совместимые	`api.openai.com/v1/embeddings` или свой прокси	`Authorization: Bearer <key>`
Voyage AI	`api.voyageai.com/v1/embeddings`	то же
Google Gemini	`generativelanguage.googleapis.com/...:batchEmbedContents`	key в URL
Yandex Cloud	`llm.api.cloud.yandex.net/...`	`Authorization: Api-Key <key>` + folder ID

Настраивается через веб-интерфейс /embeddings (провайдер, модель, размер батча).

Хранение

Системная таблица __embeddings__ с полями (src_table, src_pk, model, vector, dims). Вектор хранится как base64(big-endian float32); для 1536-мерного вектора OpenAI — около 10 KB на строку.

Поиск

Cosine similarity, полный скан. Для каталогов до ~100k векторов — десятки миллисекунд.

API

# привязать таблицу
curl -X POST $URL/api/embed/tables -H "X-Token: $TOK" -d '{
  "action": "upsert",
  "rule": {"table": "products", "text_expr": "CONCAT(name, ' — ', descr)", "enabled": true}
}'

# запустить индексацию
curl -X POST $URL/api/embed/reindex -H "X-Token: $TOK" -d '{"table":"products"}'

# семантический поиск
curl -X POST $URL/api/embed/search -H "X-Token: $TOK" -d '{
  "text": "тёплая зимняя куртка", "table": "products", "k": 10
}'

Похожие страницы

Демо-режим-витрина и управление .fdb

Возможности

← Назад

RBAC (multi-user)

Импорт файлов