Download do memista - Download do código -fonte memista

memista

Outro código-fonte

1.0.0

Baixar

Memista: Serviço de Pesquisa de Vetor de Alta Performance

O Memista é um serviço de busca de vetores de alto desempenho escrito em ferrugem que fornece uma API HTTP simples para armazenar e recuperar pedaços de texto com suas incorporações de vetor associadas. Ele combina SQLite para armazenamento de metadados com pesquisa de pesquisa para pesquisa de similaridade vetorial eficiente.

Características

Pesquisa de similaridade vetorial rápida usando USearch
Armazenamento persistente de pedaços de texto e metadados em sqlite
Suporte ao banco de dados múltiplo por meio de partição do Database_id
Documentação do OpenAPI com várias opções de interface do usuário (Swagger, Redoc, Rapidoc)
Configurável através de variáveis de ambiente
E/S ASYNC para alto desempenho

Endpoints da API

Post /v1 /insert

Insira pedaços de texto com suas incorporações em um banco de dados especificado.

Post /v1 /pesquisa

Procure pedaços semelhantes usando incorporações de vetor.

Exclua /v1 /gota

Largue um banco de dados específico e seu índice de vetor associado.

Configuração

O serviço pode ser configurado usando variáveis de ambiente:

DATABASE_PATH : caminho para o arquivo de banco de dados SQLite (padrão: "Memista.db")
SERVER_HOST : Endereço do host a vincular a (padrão: "127.0.0.1")
SERVER_PORT : porta para ouvir (padrão: 8083)
LOG_LEVEL : nível de log (padrão: "info")

Início rápido

Instalar ferrugem e carga
Clone este repositório
Crie um arquivo .env com sua configuração (opcional)
Execute o servidor:

cargo run

O servidor será iniciado e a documentação da API estará disponível em:

Swagger UI: http: // localhost: 8083/swagger
Redoc: http: // localhost: 8083/Redoc
Rapidoc: http: // localhost: 8083/Rapidoc
Openapi JSON: http: // localhost: 8083/openapi.json

Exemplo de uso

Insira pedaços

curl -X POST http://localhost:8083/v1/insert 
  -H " Content-Type: application/json " 
  -d ' {
    "database_id": "my_db",
    "chunks": [{
      "embedding": [0.1, 0.2],
      "text": "Sample text",
      "metadata": "{"source": "document1"}"
    }]
  } '

Pesquise pedaços

curl -X POST http://localhost:8083/v1/search 
  -H " Content-Type: application/json " 
  -d ' {
    "database_id": "my_db",
    "embeddings": [[0.1, 0.2]],
    "num_results": 5
  } '