Căutare Semantică Vectorială: modele de embeddings și metrici de distanță în Dify: fluxuri agentice, Knowledge și self-hosting

Căutarea semantică vectorială în Dify transformă textele în vectori denși multidimensionali prin modele de embeddings și calculează similaritatea matematică (Cosine Similarity, Euclidean Distance sau Dot Product) între interogarea utilizatorului și fragmentele indexate.

Căutare Semantică prin Vector Embeddings

Permite identificarea conceptelor relevante chiar și atunci când utilizatorul nu folosește aceleași cuvinte ca autorul documentului original.

# Exemplu de flux matematic intern Vector Search în Dify:
import numpy as np

def cosine_similarity(v_query: np.ndarray, v_doc: np.ndarray) -> float:
    return float(np.dot(v_query, v_doc) / (np.linalg.norm(v_query) * np.linalg.norm(v_doc)))

# Răspunsul Dify returnează documentele sortate descrescător după scor:
# Chunk 1: "Configurare SSL Nginx" -> scor: 0.892
# Chunk 2: "Certbot Let's Encrypt" -> scor: 0.854

Implementarea corectă a acestei funcționalități în arhitectura Dify asigură o integrare fluidă între fluxurile de lucru automate, modelele de limbaj și bazele de cunoștințe enterprise.