Give your app search superpowers: Agent Retrieval (Vector Search 2.0)

ဤဗီဒီယိုတွင် Kaz Sato က Martin Omander အား Agent Retrieval (ယခင်က Vector Search 2.0 ဟုခေါ်ဆိုခဲ့) ကို အသုံးပြု၍ အက်ပ်တစ်ခုတွင် စမတ်ကျသော အဓိပ္ပာယ်ရှာဖွေခြင်းကို မည်သို့ထည့်သွင်းရမည်ကို ပြသထားသည်။

အကယ်၍ သုံးစွဲသူတစ်ဦးသည် သင်၏စတိုးတွင် “နှင်းထဲတွင် ဝတ်ဆင်ရန် နွေးထွေးသောအရာ” ကို ရှာဖွေသော်လည်း သင့်ဒေတာဘေ့စ်တွင် “လေးလံသောဆောင်းရာသီဂျာကင်” သာပါရှိပါက၊ ရိုးရာသော့ချက်စာလုံးရှာဖွေမှုမှာ အလုပ်မဖြစ်တော့ဘဲ ရလဒ်သုညကို ပြန်ပေးသည်။ ၎င်းသည် သင့်အား အသုံးပြုသူများနှင့် ဝင်ငွေများကို ဆုံးရှုံးစေလိမ့်မည်။ ရိုးရှင်းသောကြောင်းတူကွဲပြားစာလုံးများနှင့် အတိအကျစာတန်းကိုက်ညီမှုများတွင် ပျက်ကွက်သော ရိုးရာသော့ချက်စာလုံးရှာဖွေမှုနှင့်မတူဘဲ Agent Retrieval သည် မေးမြန်းချက်တစ်ခု၏နောက်ကွယ်မှ အမှန်တကယ်အဓိပ္ပာယ်နှင့် ရည်ရွယ်ချက်ကို မြေပုံဆွဲပေးကာ သုညကိုယ်တိုင် manual embedding pipeline overhead မရှိဘဲ ကြောင်းတူကွဲပြားစာလုံးများကို အလိုအလျောက် ကိုင်တွယ်ပေးသည်။

*ကျွန်ုပ်တို့ပါဝင်သောအကြောင်းအရာများ-*
* ပြဿနာ- အဘယ်ကြောင့် သော့ချက်စာလုံးရှာဖွေမှုသည် ခေတ်မီသုံးစွဲသူများ၏ မျှော်လင့်ချက်များအတွက် မလုံလောက်သနည်း။
* Agent retrieval- vector embedding များကို အလိုအလျောက် မည်သို့ထုတ်လုပ်မည်နည်း။
* Hybrid search- အကောင်းဆုံးနှစ်ခုလုံးအတွက် သော့ချက်စာလုံးနှင့် vector ရှာဖွေမှုကို မည်သို့ပေါင်းစပ်မည်နည်း။

*ကုဒ်နှင့်အရင်းအမြစ်များ-*
* Kaz ၏အသေးစိတ်အချက်အလက်များနှင့် ကုဒ်ပါရှိသော ဘလော့ဂ်ပို့စ် https://goo.gle/4wAXyCH
* အဓိပ္ပာယ်ရှာဖွေခြင်းကို စမ်းသပ်နိုင်သည့် Kaz ၏ notebook https://goo.gle