硅基流动 Ranker公测版
硅基流动 Ranker 利用硅基流动的综合重排序模型，通过语义重排序来提高搜索相关性。它提供灵活的文档分块功能，并支持来自不同供应商的各种专业重排序模型。
硅基流动 Ranker对于需要以下条件的应用特别有价值：
-
高级文档分块，具备可配置的重叠部分，用于处理长文档
-
可访问多种重排序模型，包括BAAI/bge重排序器系列和其他专业模型
-
基于灵活分块的评分机制，其中得分最高的分块代表文档得分
-
具有成本效益的重排序，支持标准和专业模型变体
前提条件
在 Zilliz Cloud 中实施硅基流动 Ranker 之前，请确保您具备以下条件：
-
一个 Zilliz Cloud 集合，其中包含一个
VARCHAR字段，该字段包含待重排序的文本 -
一个可访问重排序模型的有效硅基流动 API 密钥。在硅基流动平台注册以获取您的 API 凭证。您可以选择以下任一方式：
-
设置
SILICONFLOW_API_KEY环境变量，或者 -
在 Ranker 配置中直接指定 API 密钥
-
创建一个硅基流动 Ranker 函数
要在您的 Zilliz Cloud 应用程序中使用硅基流动 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。
- Python
- Java
- NodeJS
- Go
- cURL
from pymilvus import MilvusClient, Function, FunctionType
# Connect to your Milvus server
client = MilvusClient(
uri="YOUR_CLUSTER_ENDPOINT" # Replace with your Milvus server URI
)
# Configure SiliconFlow Ranker
siliconflow_ranker = Function(
name="siliconflow_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": "siliconflow", # Specifies SiliconFlow as the service provider
"model_name": "BAAI/bge-reranker-v2-m3", # SiliconFlow reranking model 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)
"max_chunks_per_doc": 5, # Optional: max chunks per document for supported models
"overlap_tokens": 50, # Optional: token overlap between chunks for supported models
# "credential": "your-siliconflow-api-key" # Optional: if not set, uses SILICONFLOW_API_KEY env var
}
)
// java
// nodejs
// go
# restful
硅基流动 Ranker 特有参数
以下参数特定于硅基流动 Ranker：
参数 | 必选？ | 描述 | 值/示例 |
|---|---|---|---|
| 是 | 必须设置为 |
|
| 是 | 用于重新排名的模型服务提供商。 |
|
| 是 | 硅基流动平台上支持的模型中使用的硅基流动重新排序模型。 有关可用的重新排序模型列表，请参阅硅基流动文档。 |
|
| 是 | 重排模型用于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"] |
| 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。 |
|
| 否 | 文档内部生成的最大块数。长文档会被分割成多个块进行计算，取各块中的最高分数作为文档的分数。仅特定模型支持： |
|
| 否 | 文档分块时相邻块之间的标记重叠数量。这确保了跨块边界的连续性，以便更好地进行语义理解。仅特定模型支持： |
|
| 否 | 用于访问SiliconFlow API服务的认证凭证。如果未指定，系统将查找 | "your-siliconflow-api-key" |
特定模型的功能支持：max_chunks_per_doc 和 overlap_tokens 参数仅由特定模型支持。使用其他模型时，这些参数将被忽略。
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
要将硅基流动 Ranker 应用于标准向量搜索：
# Execute search with SiliconFlow reranking
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=siliconflow_ranker, # Apply SiliconFlow reranking
consistency_level="Bounded"
)
在混合搜索中使用
硅基流动 Ranker 也可与混合搜索结合使用，以融合稠密和稀疏向量搜索：
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 SiliconFlow reranking
hybrid_results = client.hybrid_search(
collection_name="your_collection",
[dense_search, sparse_search], # Multiple search requests
# highlight-next-line
ranker=siliconflow_ranker, # Apply SiliconFlow reranking to combined results
limit=5, # Final number of results
output_fields=["document"]
)