Jak zmienić model embeddings bez zepsucia wyszukiwania?
Najpierw odpowiedz na głos lub w myślach, potem porównaj.
Odpowiedź
Tworzę nową wersję indeksu i obliczam reprezentacje dokumentów nowym modelem. Pytania muszą być kodowane zgodnie z tym samym nowym rozwiązaniem. Nie mieszam wektorów tylko dlatego, że mają ten sam rozmiar.
Przed przełączeniem sprawdzam kompletność danych i jakość na tych samych pytaniach. Mogę przez chwilę porównywać oba warianty, zachowując możliwość powrotu. Muszę też uwzględnić dokumenty dodane lub usunięte w czasie budowania nowej wersji. Jeśli jednocześnie zmienię model, podział dokumentów i ranking, trudniej dowiedzieć się, co pomogło lub zaszkodziło. Dlatego staram się osobno sprawdzać najważniejsze zmienne.
Dlaczego to ważne: Przykład realnej zmiany w działającym systemie, po opanowaniu podstaw embeddings.
Możliwe dopytania: Co z aktualizacjami dokumentów podczas długiego przeliczania indeksu?
Jak poszło? Bądź szczery — „Jeszcze nie” dodaje pytanie do powtórki.
Zacznij od
- G-P01 · Co to jest RAG? — RAG i retrieval
- G-P02 · Co to są embeddings? — RAG i retrieval
Dalsza lektura
- Claude Platform: Embeddings(otwiera się w nowej karcie)Docs; dostęp 22.10.2026. Reprezentacje semantyczne i kryteria wyboru embedding modelu.
- pgvector: oficjalne repozytorium i dokumentacja(otwiera się w nowej karcie)Docs; dostęp 22.10.2026. Exact/ANN, indeksy i wpływ filtrów na wyszukiwanie.