Embedding ძრავა

Embedding ძრავა PRX-Memory-ის სემანტიკური მოძიების შესაძლებლობის საფუძველია. ის ტექსტური მეხსიერებები მაღალ-განზომილებიან ვექტორებად გარდაქმნის, რომლებიც მნიშვნელობას ატარებენ, რაც საშუალებას იძლევა მსგავსება-ზე დაფუძნებული ძიება, რომელიც საკვანძო სიტყვების შეწყობას სცდება.

მუშაობის პრინციპი

embedding-ის ჩართვით მეხსიერების შენახვისას PRX-Memory:

1. მეხსიერების ტექსტს კონფიგურირებულ embedding პროვაიდერს უგზავნის.
2. ვექტორულ წარმოდგენას იღებს (ჩვეულებრივ 768--3072 განზომილება).
3. ვექტორს მეხსიერების metadata-სთან ერთად ინახავს.
4. გამოძახებისას კოსინუს მსგავსების ძიებისთვის ვექტორს იყენებს.

graph LR
    TEXT["Memory Text"] --> PROVIDER["Embedding Provider<br/>Jina | OpenAI | Gemini"]
    PROVIDER --> VECTOR["Float Vector<br/>[0.012, -0.034, ...]"]
    VECTOR --> STORE["Vector Storage"]
    QUERY["Recall Query"] --> QPROVIDER["Same Provider"]
    QPROVIDER --> QVECTOR["Query Vector"]
    QVECTOR --> SEARCH["Cosine Similarity"]
    STORE --> SEARCH
    SEARCH --> RESULTS["Ranked Results"]

პროვაიდერის არქიტექტურა

prx-memory-embed crate განსაზღვრავს პროვაიდერის trait-ს, რომელსაც ყველა embedding backend-ი ახორციელებს. ეს დიზაინი პროვაიდერების გადართვის საშუალებას იძლევა აპლიკაციის კოდის შეცვლის გარეშე.

მხარდაჭერილი პროვაიდერები:

პროვაიდერი	გარემოს გასაღები	აღწერა
OpenAI-თავსებადი	PRX_EMBED_PROVIDER=openai-compatible	ნებისმიერი OpenAI-თავსებადი API (OpenAI, Azure, ლოკალური სერვერები)
Jina	PRX_EMBED_PROVIDER=jina	Jina AI embedding მოდელები
Gemini	PRX_EMBED_PROVIDER=gemini	Google Gemini embedding მოდელები

კონფიგურაცია

დააყენეთ პროვაიდერი და სერთიფიკატები გარემოს ცვლადებით:

PRX_EMBED_PROVIDER=jina
PRX_EMBED_API_KEY=your_api_key
PRX_EMBED_MODEL=jina-embeddings-v3
PRX_EMBED_BASE_URL=https://api.jina.ai  # optional, for custom endpoints

პროვაიდერის სარეზერვო გასაღებები

PRX_EMBED_API_KEY-ის დაუყენებლობისას სისტემა პროვაიდერ-სპეციფიკური გასაღებებზე გადადის:

• Jina: JINA_API_KEY
• Gemini: GEMINI_API_KEY

როდის ჩართოთ Embedding

სცენარი	Embedding სჭირდება?
მცირე მეხსიერების ნაკრები (<100 ჩანაწერი)	სურვილისამებრ -- ლექსიკური ძიება საკმარისი შეიძლება იყოს
დიდი მეხსიერების ნაკრები (1000+ ჩანაწერი)	სასურველია -- ვექტორული მსგავსება მნიშვნელოვნად აუმჯობესებს გამოძახებას
ბუნებრივი ენის შეკითხვები	სასურველია -- სემანტიკური მნიშვნელობა
ზუსტი tag/scope ფილტრაცია	არ სჭირდება -- ლექსიკური ძიება ამ შემთხვევას ამუშავებს
ენათაშორისი გამოძახება	სასურველია -- მრავალენოვანი მოდელები ენებს შორის მუშაობს

შესრულების მახასიათებლები

• Latency: 50--200ms embedding გამოძახებაზე პროვაიდერისა და მოდელის მიხედვით.
• Batch რეჟიმი: მრავალი ტექსტის ერთ API გამოძახებაში დაჯგუფება round trip-ების შესამცირებლად.
• ლოკალური caching: ვექტორები ლოკალურად ინახება და გამოიყენება; მხოლოდ ახალ ან შეცვლილ მეხსიერებებს სჭირდება embedding გამოძახება.
• 100k benchmark: p95 მოძიება 123ms-ის ქვეშ ლექსიკური+მნიშვნელობის+სიახლის გამოძახებაზე 100,000 ჩანაწერისთვის (ქსელის გამოძახებების გარეშე).

შემდეგი ნაბიჯები

• მხარდაჭერილი მოდელები -- მოდელის დეტალური შედარება
• Batch დამუშავება -- ეფექტური bulk embedding
• Reranking -- მეორე-საფეხურიანი reranking უკეთესი სიზუსტისთვის