主要更新内容
Jit 开发框架 V1.2.0
-
【JitAi】新增向量数据库元素，支持配置本地模式和HTTP客户端模式
-
【JitAi】重构知识库底层设计，深度融合极态元素机制，支持更多查询参数，支持查询测试，注意：已有知识库要手动迁移
-
【JitAi】大模型元素支持向量化和重排能力
-
【JitAi】大模型元素，支持最新模型k2、GLM4.5、qwen3-coder
详细内容描述
Jit开发框架 V1.2.0
【JitAi】新增向量数据库元素，支持配置本地模式和HTTP客户端模式
# 向量数据库全代码使用示例
# 获取向量数据库元素并检查状态
vector_db = app.getElement("vectordbs.CowTest")
health = vector_db.health_check()
print(format(health['status']))
collection_name = "jitai_documents"
try:
# 创建集合
vector_db.create_collection(name = collection_name, metadata = {"description": "JitAi框架演示集合"}, distance_metric = "cosine")
print(format(collection_name))
except Exception as e:
if "already exists" in str(e):
print(format(collection_name))
else:
raise e
# 向量化数据
sample_embeddings = [
[0.1, 0.2, 0.3, 0.4, 0.5], # 文档1的向量
[0.2, 0.3, 0.4, 0.5, 0.6], # 文档2的向量
[0.3, 0.4, 0.5, 0.6, 0.7], # 文档3的向量
]
# 元数据
sample_metadata = [
{"title": "JitAi架构文档", "category": "技术", "source": "internal"},
{"title": "向量数据库使用指南", "category": "教程", "source": "docs"},
{"title": "AI助手开发实践", "category": "技术", "source": "blog"},
]
# 关联关系
sample_ids = ["jitai_doc_1", "jitai_doc_2", "jitai_doc_3"]
# 存储到向量数据库
result = vector_db.add_vectors(collection_name = collection_name, embeddings = sample_embeddings, metadata = sample_metadata, ids = sample_ids)
print(format(result['added_count']))
# 构造查询向量
query_embedding = [0.15, 0.25, 0.35, 0.45, 0.55] # 查询向量
search_results = vector_db.query_vectors(collection_name = collection_name, query_embedding = query_embedding, n_results = 2, where = {"category": "技术"}, include = ["metadatas", "distances"])
print(format(search_results['total_results']))
for item in search_results["results"]:
print(format(item['id']))
print(format(item.get('similarity', 'N/A')))
print("标题: {}".format(item.get('metadata', {}).get('title', 'N/A')))
【使用场景】需要语义查询时特别有用，配合向量模型使用
【JitAi】重构知识库底层设计，深度融合极态元素机制，支持更多查询参数，支持查询测试
注意：已有知识库要进行手动迁移
【JitAi】大模型元素支持向量化和重排能力
# 向量化与重排函数演示
# 获取大模型元素
elm = app.getElement("llms.breath")
# 调用向量化函数
embedList = elm.embedDocuments({"texts": ["Hello, world!"], "model": "text-embedding-v3"})
# 调用重排函数
rerankList = elm.rerankDocuments({"query":"什么是文本排序模型","documents": ["文本排序模型广泛用于搜索引擎和推荐系统中，它们根据文本相关性对候选文本进行排序","量子计算是计算科学的一个前沿领域","预训练语言模型的发展给文本排序模型带来了新的进展"], "model": "gte-rerank-v2"})
