Ana içeriğe geç

LangChain.js ve Oracle AI Database: Vektör Arama Kılavuzu

LangChain.js’i OracleVS ile Oracle AI Database’e bağlayın, gömmeleri metaverilerle saklayın ve TypeScript’te benzerlik araması, metaveri filtreleri ve MMR’ı karşılaştırın.
· 10 dk. oku

Yapay Zeka ile Keşfedin

Bir dil modeli genel soruları yanıtlayabilir, ancak bir uygulama önce ilgili bilgileri getirmedikçe özel bir bilgi tabanına güvenilir şekilde bakamaz. JavaScript geliştiricileri için LangChain.js, belgeler, gömlemeler ve getirme için tanıdık soyutlamalar sunar. Eksik parça ise ortaya çıkan vektörleri kalıcı olarak saklayıp arayabileceğiniz bir yerdir.

Oracle AI Database, @oracle/langchain-oracledb entegrasyonu aracılığıyla bu rolü üstlenir. Bu kılavuzda küçük bir TypeScript iş akışını Oracle’a bağlayacak, metaverilerle birlikte metin depolayacak, benzerlik araması çalıştıracak ve filtreler ile maksimum marjinal ilgililik (MMR) sayesinde getirmeyi iyileştireceksiniz. Öğretici, getirme iş akışına odaklanır; eşlik eden TypeScript uygulaması aynı entegrasyonu etkileşimli bir tarayıcı arayüzüne ekler.

Entegrasyon ayrıntıları için resmi Oracle LangChain JavaScript entegrasyon kılavuzuna bakın.

LangChain.js ve Oracle AI Database Entegrasyonu Nedir?

LangChain.js, bir uygulamanın gömme modelleri ve vektör depolarıyla nasıl çalıştığını standartlaştırır. Oracle entegrasyon paketi, belge metnini, metaveriyi ve vektör gömlemelerini Oracle AI Database’e kalıcı olarak yazan bir vektör-depo uygulaması olan OracleVS’i sağlar. Uygulamanız, her benzerlik sorgusu için elle SQL yazmak yerine LangChain.js yöntemlerini çağırır.

Aynı entegrasyon paketi ayrıca OracleDocLoader, OracleTextSplitter, OracleEmbeddings ve OracleSummary içerir. Bunlar faydalı, isteğe bağlı yapı taşlarıdır; aşağıdaki örnek OracleVS’e odaklanır ve iş akışının anlaşılır kalması için gömme üretimini ayrı tutar.

Mimari diyagram: TypeScript LangChain.js RAG iş akışı. Bir React UI soruyu Node.js API’sine gönderir, LangChain.js gömmeler oluşturur ve Oracle AI Database’teki bir vektör tablosundan OracleVS aracılığıyla belgeleri getirir; API sağlam bir yanıt döndürür.

LangChain.js, OracleVS ve Oracle AI Database ile belge alımı ve getirme

Entegrasyonun Başlıca Özellikleri

Gömlemeleri belge metaverileriyle birlikte saklayın

Bir gömme modeli metni sayısal vektörlere dönüştürür. OracleVS bu vektörleri kaynak metin ve yapılandırılmış metaverilerle birlikte saklar. Belge kategorisi veya kaynağı gibi metaveriler, uygulamanın yararlı bağlamı atmadan aramaları kısıtlamasına yardımcı olur.

Vektör benzerliğiyle ilgili pasajları getirin

Sorgu zamanında aynı gömme modeli soruyu bir vektöre dönüştürür. Oracle, yapılandırılmış bir uzaklık stratejisi (ör. kosinüs uzaklığı) ile saklanan vektörlerle karşılaştırır ve en yakın belgeleri döndürür. Sonuçlar, aşağı akış işlemesine hazır LangChain Document nesneleri olarak kalır.

Sonuçları filtreleme ve MMR ile kontrol edin

Benzerlik araması “Bu soruya en yakın öğeler hangileri?” sorusunu yanıtlar. Bir metaveri filtresi, uygun belgeleri daraltır. MMR farklı bir hedef ekler: Seçilen pasajları ilgili tutarken neredeyse yinelenen sonuçları azaltmak. Bu işlemler birbirinin yerine geçmez; birbirini tamamlar.

LangChain.js ve Oracle AI Database ile Başlarken

Önkoşullar

Bu TypeScript örneği için Node.js 24.13.0, npm 11.6.2, vektör desteğine sahip yerel Oracle AI Database 26ai Free örneği ve örnek tablo ile vektör dizinini oluşturup veri ekleyebilen, sorgulayabilen ve düşürebilen bir şema gerekir. Gömme örneği için bir OpenAI API anahtarına da ihtiyacınız var. OpenAIEmbeddings, LangChain ile uyumlu bir seçimdir; OracleVS’nin zorunlu gereksinimi değildir.

Node.js’i resmi Node.js indirme sayfasından kurun.

Birincil yerel kurulum için Oracle’ın Oracle AI Database Free hızlı başlangıç adımlarını izleyin. Veritabanı çalıştıktan sonra, localhost:1521/FREEPDB1 gibi bir hizmet ve yukarıda listelenen izinlere sahip bir şema kullanın.

Bir TypeScript projesi oluşturun

mkdir langchain-oracle-demo
cd langchain-oracle-demo
npm init -y
npm pkg set type=module
npm install @oracle/[email protected] @langchain/[email protected] @langchain/[email protected] [email protected] [email protected]
npm install --save-dev [email protected] [email protected] @types/[email protected]

Bu klasörde index.ts adlı bir dosya oluşturun. Aşağıdaki çalıştırılabilir TypeScript parçacıklarını, gösterildiği sırayla aynı dosyaya ekleyin. Her parçacık için ayrı bir dosya oluşturmayın. Yalnızca çalıştırılabilir TypeScript parçacıklarını kopyalayın: SQL ve temsilî çıktı blokları açıklayıcı örneklerdir; index.ts içine yapıştırılmamalıdır.

package.json içindeki type=module ayarı, örnekler tarafından kullanılan üst düzey await ifadesine izin verir. Node.js paket yapılandırması resmi Node.js paketleri kılavuzunda belgelenmiştir.

Oracle entegrasyon paketi vektör deposunu uygular, @langchain/core Document sağlar, @langchain/openai örnek gömme modelini sağlar ve oracledb veritabanı bağlantısını yönetir. Yukarıdaki sürümler eşlik eden uygulamayla eşleşir; tsx, ayrı bir derleme adımı olmadan TypeScript örneğini doğrudan çalıştırır.

Bağlantıyı yapılandırın

ORACLE_USER=your_schema
ORACLE_PASSWORD=your_password
ORACLE_CONNECT_STRING=localhost:1521/FREEPDB1
OPENAI_API_KEY=your_api_key

Bu değerleri yerel bir .env dosyasına kaydedin ve .env’yi .gitignore’a ekleyin. Bu makale adımların tekrarlanabilmesi için birincil kurulum olarak yerel Oracle AI Database Free kullanır. Autonomous AI Database geçerli bir dağıtım alternatifidir, ancak o ortam için hizmet tanımlayıcısı ve cüzdan ya da TLS yapılandırması gerektirir.

import "dotenv/config";
import oracledb from "oracledb";
import { Document } from "@langchain/core/documents";
import { OpenAIEmbeddings } from "@langchain/openai";
import { OracleVS, DistanceStrategy, VectorElementFormat }
  from "@oracle/langchain-oracledb";

const pool = await oracledb.createPool({
  user: process.env.ORACLE_USER,
  password: process.env.ORACLE_PASSWORD,
  connectString: process.env.ORACLE_CONNECT_STRING,
  poolMin: 1,
  poolMax: 4,
});

Havuz, OracleVS’in veritabanı oturumlarını yeniden kullanmasına olanak tanır. Tüm alım, getirme ve doğrulama ifadelerini try bloğunun içinde tutun. Bir sonraki kod bloğu bu bloğu başlatır ve sonraki parçacıklar onu devam ettirir. Havuz yalnızca aşağıdaki temizlik bölümündeki doğrulamadan sonra kapatılır. Bir sunucu uygulamasında, her kullanıcı isteği için yeni bağlantı açmak yerine havuzu bir kez başlatın ve nazik kapatma sırasında kapatın.

LangChain.js ile Belge Araması Nasıl Kurulur

Örtüşen getirme pasajları da dahil olmak üzere 10 kısa bilgi tabanı notu kullanacağız. Korpus kasıtlı olarak küçüktür; bu sayede sıradan benzerlik aramasını metaveri filtreleme ve MMR ile karşılaştırmak mümkündür.

Bilgi belgelerinizi tanımlayın

try {
  const documents = [
    ["database-guide", "database", "Oracle AI Database stores vector embeddings alongside application data."],
    ["connection-pooling", "operations", "A connection pool reuses Oracle database sessions across requests."],
    ["vector-indexes", "performance", "HNSW vector indexes can improve nearest-neighbor search as a table grows."],
    ["metadata-filtering", "retrieval", "Metadata filters restrict retrieval to matching categories or sources."],
    ["similarity-search", "retrieval", "Similarity search returns chunks closest to the query embedding."],
    ["mmr-retrieval", "retrieval", "MMR reduces repeated content while keeping results relevant."],
    ["retrieval-overlap-1", "retrieval", "Similarity search may return several near-duplicate passages when multiple notes explain the same retrieval strategy."],
    ["retrieval-overlap-2", "retrieval", "Several notes about the same retrieval strategy can produce repetitive top matches; MMR selects a more diverse set while preserving relevance."],
    ["troubleshooting", "troubleshooting", "For empty results, check ingestion, embeddings, and filters."],
    ["embedding-compatibility", "retrieval", "Ingestion and query retrieval must use compatible dimensions."],
  ].map(([source, category, pageContent]) =>
    new Document({ pageContent, metadata: { source, category } }));

Her Document bir pageContent ve metadata içerir. source ve category alanları belgeyle birlikte alım ve getirme boyunca taşınır; böylece uygulama bir sonucun nereden geldiğini açıklayabilir ve aramaları ilgili bir alt kümeyle sınırlayabilir.

Gömlemeleri yapılandırın ve OracleVS oluşturun

  const embeddings = new OpenAIEmbeddings({
    model: "text-embedding-3-small",
  });

  const vectorStore = await OracleVS.fromDocuments(documents, embeddings, {
    client: pool,
    tableName: "LC_JS_RAG_DEMO",
    query: "Oracle AI Database document search",
    distanceStrategy: DistanceStrategy.COSINE,
    format: VectorElementFormat.FLOAT32,
  });

OracleVS.fromDocuments() merkezi entegrasyon çağrısıdır. Vektör deposunu başlatır, sağlanan belgeler için gömmeler üretir ve içeriklerini, vektörlerini ve metaverilerini Oracle AI Database’e yazar.

query parametresi, veritabanı tablosu için gerekli vektör boyutunu belirlemek amacıyla başlatma sırasında gömülen örnek metni sağlar. Saklanan belgeleri aramak için kullanılmaz. DistanceStrategy.COSINE vektör uzaklık metriğini belirtirken, VectorElementFormat.FLOAT32 vektör öğe biçimini ayarlar.

Alımı yeniden çalıştırmadan önce, yinelenen belgeler eklememek için yeni bir demo tablo adı kullanın veya mevcut verileri temizleyin.

OracleVS, LangChain ile uyumlu bir gömme uygulamasını kabul eder; böylece geliştiriciler, genel vektör-depo iş akışını değiştirmeden gömme sağlayıcılarını değiştirebilir. Ancak alım ve getirme için kullanılan gömmelerin Oracle vektör sütunuyla uyumlu kalması gerekir.

OracleVS, yapılandırılan gömme modelini kullanarak başlatma sırasında vektör boyutunu belirler. Oracle AI Database’te zaten saklı bir vektörün boyutlarını ve depolama biçimini incelemek için şu SQL sorgusunu çalıştırın:

SELECT
    VECTOR_DIMENSION_COUNT(embedding) AS vector_dimensions,
    VECTOR_DIMENSION_FORMAT(embedding) AS vector_format
FROM LC_JS_RAG_DEMO
FETCH FIRST 1 ROW ONLY;

Farklı boyuta sahip bir gömme modeline geçerseniz, uyumlu bir vektör tablosu oluşturun ve belge gömmelerini yeniden üretin. İki model aynı boyutta vektör üretse bile, gömme uzayları farklı olabilir; bu nedenle, yeni modeli getirme için kullanmadan önce mevcut belgeler yeniden gömülmelidir.

Vektör-depo metot imzaları ve getirme seçenekleri için resmi LangChain.js VectorStore referansına bakın.

Benzerlik aramasıyla belgeleri getirin

Örneğin, aşağıdaki çağrı OracleVS vektör deposundan en yakın 3 belgeyi ister ve her parçanın metniyle birlikte kaynak metaverisini yazdırır:

  const retrievalQuestion =
    "How can vector retrieval reduce repetitive results?";
  const results = await vectorStore.similaritySearch(
    retrievalQuestion,
    3
  );
  console.log(results.map((doc) => ({
    source: doc.metadata.source,
    text: doc.pageContent,
  })));

Kod, her LangChain Document’ini source ve pageContent içeren düz bir nesneye eşleyerek görüntüler. Aşağıda temsilî bir çıktı gösterilmiştir; tam sıralama gömme modeline ve sorguya göre değişebilir:

[
  { source: "retrieval-overlap-2", text: "Several notes about the same retrieval strategy can produce repetitive top matches; MMR selects a more diverse set while preserving relevance." },
  { source: "retrieval-overlap-1", text: "Similarity search may return several near-duplicate passages when multiple notes explain the same retrieval strategy." },
  { source: "mmr-retrieval", text: "MMR reduces repeated content while keeping results relevant." }
]

Birinci argüman kullanıcı sorusu, ikincisi ise k, yani getirilecek belge sayısının üst sınırıdır. LangChain.js, soruyu bir vektöre dönüştürmek için yapılandırılan gömme modelini kullanır ve Oracle AI Database en yakın eşleşen belgeleri bulmak için benzerlik araması gerçekleştirir.

Arama koşulları ve metaveri filtreleri uygulandıktan sonra k’dan daha az sayıda belge uygun kalırsa, yöntem yalnızca mevcut sonuçları döndürür. Getirilen Document nesneleri, kaynak atfıyla görüntülenebilecek veya daha sonraki bir yanıt üretim adımına aktarılabilecek metin ve metaveri içerir.

Getirme puanlarını inceleyin

Örneğin, her getirilen belgeyle ilişkili uzaklığı incelemek istediğinizde similaritySearchWithScore kullanın:

  const scored = await vectorStore.similaritySearchWithScore(
    "Where are document embeddings stored?",
    3
  );

  for (const [doc, score] of scored) {
    console.log({
      text: doc.pageContent,
      source: doc.metadata.source,
      score,
    });
  }

similaritySearchWithScore, her eşleşmeyle birlikte bir uzaklık döndürür. Sayısal değeri ve yönü, yapılandırılan uzaklık stratejisine bağlıdır; evrensel bir güven yüzdesi değildir. Puanları yalnızca aynı gömme modeli ve uzaklık stratejisi kullanılırken karşılaştırın ve bir eşik seçmeden önce getirilen pasajı inceleyin.

Sonuçları metaveri filtreleriyle sınırlayın

  const databaseOnly = await vectorStore.similaritySearch(
    "Where are vector embeddings stored?",
    3,
    { category: { $eq: "database" } }
  );

  console.log(databaseOnly.map((doc) => doc.metadata.source));

Örnek çıktı:

["database-guide"]

Üçüncü argüman aramayı category = database olan öğelerle sınırlar. Bu korpusta öngörülebilir filtreli sonuç ["database-guide"]’dır. Bir filtre, hangi belgelerin uygun olduğunu değiştirir; vektör benzerliği uygun belgeleri yine sıralar.

Tekrarlayan sonuçları azaltmak için MMR kullanın

  const diverse = await vectorStore.maxMarginalRelevanceSearch(
    retrievalQuestion,
    {
      k: 3,
      fetchK: 6,
      lambda: 0.5,
    }
  );
  console.log(diverse.map((doc) => doc.metadata.source));

Örtüşen bir korpus için temsilî çıktı (sıralama gömme modellerine ve çalıştırmalara göre değişebilir):

["retrieval-overlap-2", "mmr-retrieval", "metadata-filtering"]

MMR önce bir aday havuzunu (fetchK) dikkate alır ve ardından k belge seçerken sorgu ilgisi ile çeşitliliği dengeler. Daha düşük lambda çeşitliliği, daha yüksek değer ise ilgiyi daha çok vurgular. Yukarıdaki örtüşen korpusla, seçilen kaynaklar sıradan benzerlik aramasından farklı olabilir; bu da getirme ödünleşimini görünür kılar.

Getirilen bağlamı bir yapay zeka uygulamasına aktarın

  const question = "How does LangChain.js retrieve Oracle documents?";
  const contextDocs = await vectorStore.similaritySearch(question, 3);

  const context = contextDocs
    .map((doc, i) => `[${i + 1}] ${doc.pageContent}`)
    .join("\n\n");

  console.log({ question, context });

Bu nokta, LangChain.js getirmesi ile büyük dil modeli (LLM) çağrısı arasındaki devretmedir: Uygulamanın elinde bir soru ve denetlenebilir kanıt vardır; modeli bu bağlamdan yanıtlamaya yönlendiren bir istem için hazırdır.

Getirme ve üretim ayrı sorumluluklardır. Bu aşamada context, bir sohbet modelinin tüketebileceği düz bir metin dizesidir. Şimdi bunu, yalnızca getirilen malzemeden yanıt vermesini ve kaynak tanımlayıcılarını belirtmesini isteyen bir talimatla bir modele sağlayabilirsiniz. Veritabanı entegrasyonunun kendisi, bir sohbet modeli olmadan da çalışır.

Entegrasyonu Nasıl Doğrularsınız

Faydalı bir doğrulama, alımı ve her getirme stratejisini ayrı ayrı kontrol eder. Önce vektör deposunun bir veritabanı hatası olmadan oluşturulduğunu teyit edin. Ardından benzerlik aramasının döndürdüğü kaynak metaverisini, filtreli sonucu ve MMR sonucunu inceleyin.

  const check = await vectorStore.similaritySearch(
    "How does OracleVS connect to LangChain.js?",
    3
  );

  if (check.length === 0) {
    throw new Error("No documents retrieved; inspect ingestion and filters.");
  }

  console.log({
    similarity: check.map((doc) => doc.metadata.source),
    filtered: databaseOnly.map((doc) => doc.metadata.source),
    mmr: diverse.map((doc) => doc.metadata.source),
  });

Doğrulamadan sonra bağlantı havuzunu kapatın

} finally {
  await pool.close(10);
}

Temizlik yalnızca alım, getirme ve doğrulama tamamlandıktan sonra çalışır. Boşaltma süresi, kullanımda olan bağlantılara tamamlanmaları için kısa bir pencere verir. Uzun ömürlü bir sunucuda, nazik kapatmaya kadar havuzu açık tutun. Yaşam döngüsü ayrıntıları için node-oracledb pool.close() belgelerine bakın.

Bu noktada, tam index.ts dosyası şu komutla çalıştırılabilir:

npx tsx index.ts

Temsilî bir doğrulama çıktısı:

{
  similarity: ["retrieval-overlap-1", "retrieval-overlap-2", "mmr-retrieval"],
  filtered: ["database-guide"],
  mmr: ["retrieval-overlap-2", "mmr-retrieval", "metadata-filtering"]
}

Kesin benzerlik sırası ve uzaklık değerleri gömme modeline ve sağlayıcısına göre değişebilir. Filtreli sonuç database-guide içermeli; MMR sonucu ise örtüşen korpustan çeşitli getirme kaynaklarını göstermelidir.

İpuçları ve Sorun Giderme

Veritabanı bağlantısı başarısız oluyor

Bağlantı dizesini, kimlik bilgilerini, erişilebilir hizmeti ve şema ayrıcalıklarını doğrulayın. Autonomous AI Database kullanıyorsanız, gerekli cüzdan veya TLS kurulumunu teyit edin. Getirmeyi hata ayıklamadan önce veritabanı bağlantısını bağımsız olarak test edin.

Gömme boyutunda uyuşmazlık oluşuyor

Alım sırasında oluşturulan vektörler ile sorgu vektörleri uyumlu boyutlar kullanmalıdır. Ekleme ve sorgular için farklı gömme modelleri kullanmak aramayı bozabilir veya sonuçları kötüleştirebilir. Bir tablo için model seçimini tutarlı tutun.

Bir arama hiç belge döndürmüyor

Alımın satır eklediğini doğrulayın, ardından kısıtlayıcı metaveri filtreleri olmadan yeniden deneyin. Küçük korpuslarda, daha geniş sorgularla deney yapın ve saklanan içeriği inceleyin.

Sonuçlar ilgili ama tekrarlı

Örtüşen parçalar içeren bir korpusla MMR’ı benzerlik aramasına karşılaştırın. Önemli pasajların kaçırılması pahasına çeşitlilik olup olmadığını kontrol ederken k, fetchK ve lambda değerlerini ayarlayın.

Bir vektör dizini oluşturmalı mısınız?

Küçük bir örnek veri kümesi için, önce indeksleme ayarı yapmadan doğruluğu doğrulayarak başlayın. Veriler büyüdükçe, performans ve doğruluk gereksinimlerinize göre Hiyerarşik Gezinilebilir Küçük Dünya (HNSW) veya Ters Dosya (IVF) gibi Oracle vektör dizinlerini değerlendirin. Dizin oluşturma, temel entegrasyonu anlamak için önkoşul değil, bir optimizasyondur.

Oracle vektör dizinleri hakkında daha fazla ayrıntı için Oracle’ın vektör dizinleri belgelerine bakın.

Tam Bir TypeScript Referans Uygulamasını Keşfedin

Bu kavramların çalışan bir uygulamada nasıl bir araya geldiğini görmek için LangChain.js ve Oracle AI Database referans uygulamasını inceleyin.

TypeScript ile oluşturulan uygulama, LangChain.js ve Oracle AI Database kullanarak belge alımı, vektör depolama, benzerlik araması, metaveri filtreleme ve MMR’ı bir araya getirir. Ayrıca getirme ayarlarıyla denemeler yapmak, getirilen belgeleri incelemek ve farklı arama stratejilerinin uygulamaya dönen bağlamı nasıl etkilediğini anlamak için etkileşimli bir arayüz sunar.

Depoda kaynak kod ve kurulum talimatları yer alır; böylece tam entegrasyonu keşfedebilir ve uygulamayı kendi projelerinize uyarlayabilirsiniz.

Sonuç ve Sonraki Adımlar

OracleVS aracılığıyla LangChain.js’i Oracle AI Database’e bağladınız, bilgiyi Document nesneleriyle temsil ettiniz, kalıcı vektör gömmeleri oluşturdunuz ve benzerlik araması, metaveri filtreleme ve MMR’ı karşılaştırdınız. Bir sonraki adım için resmi LangChain.js belgelerini ve resmi Oracle LangChain JavaScript entegrasyon kılavuzunu okuyun.

Diğer dillerle çalışıyorsanız, Oracle AI Vektör Arama öğreticimiz aynı depolama ve sorgu adımlarını Python’da kapsar ve LangChain4j öğreticimiz Oracle AI Database ile bir Java ajanı oluşturur.

LangChain ile Retrieval Augmented Generation (RAG) kursumuz, isteğe bağlı olarak getirmeye odaklı bir devamdır; örnekleri Python’dadır ancak iş akışı kavramları bu TypeScript uygulamasına da uygulanır.

SSS

Belgeleri depoladıktan sonra gömme modellerini değiştirirsem ne olur?

Oracle vektör tablosunda saklanan gömmelerin, arama için kullanılan gömmelerle uyumlu olması gerekir. Modelleri değiştirmek hem vektör boyutlarını hem de vektör koordinatlarının anlamını değiştirebilir; bu nedenle embed modeli değiştirdiğinizde belgeleri yeniden gömün ve yeniden dizin oluşturun. Belge alımı ve sorgu getirmesi için aynı gömme yapılandırmasını kullanın.

OracleVS kullanmak için bir sohbet modeline ihtiyacım var mı?

Hayır. Bir vektör-depo iş akışı, alım ve sorgu için bir gömme modeli gerektirir. Bir sohbet modeli isteğe bağlıdır ve genellikle getirilen pasajların doğal dilde bir yanıta dönüştürülmesi gerektiğinde eklenir.

OpenAI dışında bir gömme sağlayıcısı kullanabilir miyim?

Evet. OracleVS, uyumlu bir LangChain gömme uygulamasını kabul eder. Gereksinimlerinizi karşılayan bir sağlayıcı seçin ve belgeler ile sorgular için aynı uyumlu gömme kurulumunu kullanın.

Neden vektör benzerliğiyle birlikte metaveri filtreleme kullanılır?

Vektör benzerliği anlamsal olarak yakın içeriği bulur; metaveri filtreleme, döndürülebilecek içeriği daraltır; örneğin belirli bir kategori veya kaynakta yer alan belgeler gibi.

Ne zaman sıradan benzerlik araması yerine MMR’ı seçmeliyim?

Üst sıralardaki eşleşmeler tekrarlayan pasajlar içerdiğinde ve uygulama daha çeşitli kanıtlardan fayda sağladığında MMR yardımcı olur. En yakın komşuların birincil hedef olduğu durumlarda düz benzerlik araması daha basittir.

Daniela Pavlenco

Yazar

Daniela Pavlenco

Oracle'da Geliştirici Savunucusu olarak çalışıyorum; geliştiricilerin yapay zeka teknolojilerini keşfetmesine ve modern araçlar ile çerçeveler kullanarak pratik uygulamalar geliştirmesine yardımcı olmaya odaklanıyorum. Çalışmalarım; teknik içerik üretmeyi, uygulamalı örnekler hazırlamayı ve karmaşık kavramları gerçek dünya projelerinde anlamayı ve uygulamayı kolaylaştıran geliştirici kaynakları oluşturmayı kapsar.

Konular

İlgili