Voyage AI Ranker公测版
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 |
|---|---|---|---|
| 是 | 必须设置为 |
|
| 是 | 用于重排序的模型服务提供商。 |
|
| 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。 |
|
| 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"] |
| 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 | 是否截断输入以满足查询和文档的“上下文长度限制”。
|
|
| 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 | "your-voyage-api-key" |
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
- Java
- NodeJS
- Go
- cURL
# 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
// nodejs
// go
# 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
- Java
- NodeJS
- Go
- cURL
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
// nodejs
// go
# restful