Voyage AI Ranker

联系销售开启 BYOC

Voyage AI Ranker 利用 Voyage AI 的专业 Reranker，通过语义重排来提高搜索相关性。它提供了针对检索增强生成（RAG）和搜索应用程序优化的高性能重排功能。

Voyage AI Ranker 对于需要以下条件的应用程序特别有价值：

• 通过专门为重排序任务训练的模型实现高级语义理解

• 针对生产工作负载进行优化推理的高性能处理

• 灵活的截断控制，用于处理不同长度的文档

• 不同模型变体（rerank-2、rerank-lite等）的微调性能

前提条件

在 Zilliz Cloud 中实现 Voyage AI Ranker之前，请确保您具备以下条件：

• 一个 Zilliz Cloud Collection，其中包含一个 VARCHAR 字段，该字段包含待重排序的文本

• 一个有权限访问 Reranker 的有效 Voyage AI API 密钥。在 Voyage AI平台注册以获取您的 API 凭证。您可以选择以下方式之一：

  • 设置 VOYAGE_API_KEY 环境变量，或者

  • 直接在 Ranker 配置中指定 API 密钥

创建一个Voyage AI Ranker 函数

要在您的 Zilliz Cloud 应用程序中使用 Voyage AI Ranker，请创建一个 Function（函数）对象，该对象指定重排序应如何操作。此函数将被传递给Zilliz Cloud 搜索操作，以增强结果排序。

from pymilvus import MilvusClient, Function, FunctionType

# Connect to your Milvus server
client = MilvusClient(
    uri="YOUR_CLUSTER_ENDPOINT"  # Replace with your Milvus server URI
)

# Configure Voyage AI Ranker
voyageai_ranker = Function(
    name="voyageai_semantic_ranker",        # Unique identifier for your ranker
    input_field_names=["document"],         # VARCHAR field containing text to rerank
    function_type=FunctionType.RERANK,      # Must be RERANK for reranking functions
    params={
        "reranker": "model",                # Enables model-based reranking
        "provider": "voyageai",             # Specifies Voyage AI as the service provider
        "model_name": "rerank-2.5",           # Voyage AI reranker to use
        "queries": ["renewable energy developments"], # Query text for relevance evaluation
        "max_client_batch_size": 128,       # Optional: batch size for model service requests (default: 128)
        "truncation": True,                 # Optional: enable input truncation (default: True)
        # "credential": "your-voyage-api-key" # Optional: if not set, uses VOYAGE_API_KEY env var
    }
)

Voyage AI Ranker 特有参数

以下参数是 Voyage AI Ranker 特有的：

参数	必选？	描述	值 / 示例
reranker	是	必须设置为 "model" 才能启用模型重排序。	"model"
provider	是	用于重排序的模型服务提供商。	"voyageai"
model_name	是	要使用的 Voyage AI Reranker，来自Voyage AI 平台上支持的模型。 如需查看可用的 Reranker 列表，请参考 Voyage AI 文档。	"rerank-2.5"
queries	是	重排序模型用来计算相关性得分的查询字符串列表。查询字符串的数量必须与搜索操作中的查询数量完全匹配（即使使用查询向量而非文本），否则将报错。	["search query"]
max_client_batch_size	否	由于模型服务可能无法一次性处理所有数据，因此这里设置了在多次请求中访问模型服务的批量大小。	128 (默认)
truncation	否	是否截断输入以满足查询和文档的“上下文长度限制”。 如果为 True，查询和文档将被截断以适应上下文长度限制，然后再由重排器模型进行处理。 如果为 False，当查询超过 rerank-2.5 和 rerank-2.5-lite 的 8000 个 Token、rerank-2 的 4000 个 Token、rerank-2-lite 和 rerank-1的 2000 个 Token、rerank-lite-1 的 1000 个 Token，或者查询中的标记数与任何单个文档中的标记数之和超过 rerank-2 的 16000 个 Token、rerank-2-lite 和 rerank-1 的 8000 个 Token、rerank-lite-1 的 4000 个 Token 时，将引发错误。	True (默认) 或 False
credential	否	用于访问 Voyage AI API 服务的认证凭证。如果未指定，系统将查找 VOYAGE_API_KEY 环境变量。	"your-voyage-api-key"

📘注释

对于所有 Model Ranker 共享的通用参数（例如，provider、queries），请参考创建 Model Ranker。

在标准向量搜索中使用

要将 Voyage AI Ranker 应用于标准向量搜索：

Python

# Execute search with Voyage AI reranker
results = client.search(
    collection_name="your_collection",
    data=["AI Research Progress", "What is AI"],  # Search queries
    anns_field="dense_vector",                   # Vector field to search
    limit=5,                                     # Number of results to return
    output_fields=["document"],                  # Include text field for reranking
    #  highlight-next-line
    ranker=voyageai_ranker,                     # Apply Voyage AI reranker
    consistency_level="Bounded"
)

Java

// java

NodeJS

// nodejs

Go

// go

cURL

# restful

在混合搜索中使用

Voyage AI Ranker 也可与混合搜索结合使用，以融合稠密和稀疏向量搜索：

Python

from pymilvus import AnnSearchRequest

# Configure dense vector search
dense_search = AnnSearchRequest(
    data=["AI Research Progress", "What is AI"],
    anns_field="dense_vector",
    param={},
    limit=5
)

# Configure sparse vector search  
sparse_search = AnnSearchRequest(
    data=["AI Research Progress", "What is AI"],
    anns_field="sparse_vector", 
    param={},
    limit=5
)

# Execute hybrid search with Voyage AI reranker
hybrid_results = client.hybrid_search(
    collection_name="your_collection",
    [dense_search, sparse_search],              # Multiple search requests
    #  highlight-next-line
    ranker=voyageai_ranker,                    # Apply Voyage AI reranker to combined results
    limit=5,                                   # Final number of results
    output_fields=["document"]
)

Java

// java

NodeJS

// nodejs

Go

// go

cURL

# restful