Yandex CloudCompatible with Milvus 2.6.x

本主題說明如何在 Milvus 中設定及使用 Yandex Cloud 的嵌入式函式。

選擇嵌入式模型

Milvus 透過yc 提供者支援 Yandex Cloud AI Studio 的文字向量化模型。在「函式參數」中，將 `model_name ` 設定為 Milvus 應呼叫的 Yandex Cloud 模型 URI。

例如，Yandex 文件文字嵌入功能使用的模型 URI 為emb://<folder_ID>/text-search-doc/latest ，並會傳回 256 維向量。有關可用的模型 URI 和維度，請參閱「文字向量化模型」。

設定憑證

Milvus 必須先取得您的 Yandex Cloud API 金鑰，才能請求嵌入向量。您可以在milvus.yaml 中設定 API 金鑰，或透過環境變數進行設定。

選項 1：配置檔案

將您的 API 金鑰儲存於milvus.yaml 中，並將 Yandex Cloud 提供者指向該憑證標籤。

# milvus.yaml
credential:
  yandex_apikey:
    apikey: <YOUR_YC_API_KEY>

function:
  textEmbedding:
    providers:
      yc:
        credential: yandex_apikey
        # url: https://llm.api.cloud.yandex.net/foundationModels/v1/textEmbedding

選項 2：環境變數

若milvus.yaml 中未配置相符的憑證，Milvus 可從以下環境變數讀取 Yandex Cloud API 金鑰：

變數	是否必填？	說明
MILVUS_YC_API_KEY	是	Milvus 服務用於呼叫 Yandex Cloud AI Studio 的 Yandex Cloud API 金鑰。

使用嵌入函式

完成憑證設定後，請定義一個包含輸入文字欄位與輸出向量欄位的架構，接著將 Yandex Cloud 嵌入函式新增至該架構中。

from pymilvus import MilvusClient, DataType, Function, FunctionType

client = MilvusClient(uri="http://localhost:19530")

schema = client.create_schema()
schema.add_field("id", DataType.INT64, is_primary=True, auto_id=False)
schema.add_field("document", DataType.VARCHAR, max_length=9000)
schema.add_field("dense", DataType.FLOAT_VECTOR, dim=256)

text_embedding_function = Function(
    name="yandex_cloud_embedding",
    function_type=FunctionType.TEXTEMBEDDING,
    input_field_names=["document"],
    output_field_names=["dense"],
    params={
        "provider": "yc",
        "model_name": "emb://<folder_ID>/text-search-doc/latest",
        "credential": "yandex_apikey",
        "dim": "256",
    },
)

schema.add_function(text_embedding_function)

Yandex Cloud 專屬參數

參數	是否為必填？	說明	值 / 範例
provider	是	要使用的嵌入式模型提供者。	"yc"
model_name	是	要呼叫的 Yandex Cloud 模型 URI。	"emb://<folder_ID>/text-search-doc/latest"
credential	否	在milvus.yaml 的頂層credential: 區段中定義的憑證標籤。	"yandex_apikey"
dim	否	輸出向量的維度。若設定此參數，其值必須與輸出向量欄位的維度相符。	"256"

後續步驟

配置完嵌入函數後，請參閱《嵌入函數概覽》，以獲取有關建立索引、插入資料及執行語義搜尋的指引。