Clasa QueryBundle: Încapsularea Interogărilor cu Vectori și Filtre în LlamaIndex & Data RAG

Structura avansată care transportă textul căutat, vectorul precalculat și opțiunile de reranking.

Sintaxă & invocare Python
from llama_index.core import QueryBundle
bundle = QueryBundle(query_str='...', custom_embedding_strs=[...])

Clasa QueryBundle este containerul formal folosit intern de LlamaIndex pentru a reprezenta o căutare. Permite transmiterea unui text de căutare pentru generare (cum ar fi o instrucțiune elaborată), dar utilizarea unui set diferit de cuvinte cheie pentru calculul vectorului de căutare.

Exemplu în cod

from llama_index.core import QueryBundle

# Căutare după un termen tehnic precis, dar generare pe baza unei întrebări detaliate
bundle = QueryBundle(
    query_str="Explică pas cu pas cum se configurează replication slot în Postgres.",
    custom_embedding_strs=["PostgreSQL replication slot setup WAL configuration"]
)
rezultate = retriever.retrieve(bundle)

Crește considerabil acuratețea regăsirii pe concepte tehnice specializate.

Învață AI • Comunitate & Q&A

Întrebări & Exemple practice: Clasa QueryBundle: Încapsularea Interogărilor cu Vectori și Filtre

Ai o întrebare despre Clasa QueryBundle: Încapsularea Interogărilor cu Vectori și Filtre sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!

🤖

Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!

Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.

Comunitate AI Adaugă o întrebare sau distribuie un cod / prompt

Moderare & Siguranță:

Pentru a menține calitatea și securitatea informațiilor, fiecare întrebare sau fragment de cod/prompt este analizat (manual sau prin moderare asistată de AI) înainte de publicare.