ZeroEntropy and Zilliz Cloud Integration
Integrate Zilliz Cloud with ZeroEntropy to build high-accuracy semantic search using two-stage vector retrieval and reranking.
Nutzen Sie diese Integration kostenlosWas ist ZeroEntropy
ZeroEntropy ist ein Unternehmen für KI-Suchinfrastruktur, das Embedding- und Reranking-Modelle über eine entwicklerfreundliche API bereitstellt.
Es bietet zwei Kernmodelle:
zembed-1(Embedding-Modell): Wandelt Text in Vektor-Embeddings um, die semantische Bedeutung erfassen. Unterstützt konfigurierbare Ausgabedimensionen — 40, 80, 160, 320, 640, 1.280 oder 2.560 — sodass Sie Genauigkeit gegen Speicherkosten abwägen können. zembed-1 kann die Speicherkosten für Vektordatenbanken im Vergleich zu Alternativen mit voller Dimension um bis zu das 10-Fache reduzieren.zerank-2(Reranking-Modell): Ein Cross-Encoder, der Anfrage-Dokument-Paare hinsichtlich ihrer Relevanz bewertet. Anstatt sich allein auf die Vektordistanz zu verlassen, liest er die Anfrage und das Dokument gemeinsam, um zu beurteilen, wie gut sie übereinstimmen.zerank-2unterstützt außerdem das Befolgen von Anweisungen: Sie können natürlichsprachliche Anweisungen übergeben, um das Ranking-Verhalten zu steuern, ohne das Modell neu zu trainieren.
Beide Modelle sind Open-Weight und über die ZeroEntropy API und das Python SDK verfügbar.
Wie ZeroEntropy Embeddings und Reranking mit Zilliz Cloud funktionieren
ZeroEntropy und Zilliz Cloud arbeiten in einer zweistufigen Retrieval-Pipeline zusammen:
Stufe 1 — Einbetten und abrufen. Sie verwenden
zembed-1, um Vektor-Embeddings für Ihre Dokumente zu generieren, und speichern sie anschließend in einer Zilliz Cloud Collection. Wenn eine Abfrage eingeht, betten Sie sie mit demselben Modell ein und führen in Zilliz Cloud eine Vektorähnlichkeitssuche aus, um die besten Kandidaten abzurufen. Dieser Schritt ist schnell, selbst bei Millionen von Dokumenten.Stufe 2 — Für Genauigkeit neu ranken. Sie übergeben die Kandidaten aus Stufe 1 an
zerank-2. Der Reranker bewertet jeden Kandidaten im Detail im Verhältnis zur Abfrage und ordnet sie nach Relevanz neu. Dieser zweite Durchlauf erkennt Ergebnisse, die semantisch ähnlich, aber nicht tatsächlich relevant sind, und hebt diejenigen hervor, die relevant sind.
Das Ergebnis: Zilliz Cloud übernimmt Skalierung und Geschwindigkeit, ZeroEntropy übernimmt Präzision.
Warum ZeroEntropy mit Zilliz Cloud zum Erstellen von KI-Apps verwenden
Höhere Suchgenauigkeit mit zweistufigem Retrieval. Die Vektorähnlichkeitssuche findet Dokumente, die im Embedding-Raum nahe beieinanderliegen, aber Nähe bedeutet nicht immer Relevanz. Das Hinzufügen des Rerankers von ZeroEntropy als zweite Stufe verbessert die Ergebnisqualität, indem echte Relevanz bewertet wird, statt sich allein auf die Vektordistanz zu verlassen.
Geringere Speicherkosten mit flexiblen Embedding-Dimensionen.
zembed-1unterstützt Ausgabedimensionen von 40 bis 2.560. Kleinere Embeddings benötigen weniger Platz in Ihrer Zilliz Cloud-Collection und reduzieren Speicher- und Arbeitsspeicherkosten. In Kombination mit Reranking können Sie kompakte Embeddings verwenden, ohne Suchqualität zu verlieren.Domänenspezifisches Ranking ohne erneutes Modelltraining.
zerank-2akzeptiert natürlichsprachliche Anweisungen neben der Abfrage — zum Beispiel „priorisieren Sie praktische Techniken gegenüber Theorie“ oder „nach Aktualität ranken“. So können Sie dieselbe Pipeline an verschiedene Anwendungsfälle anpassen (Rechtsrecherche, Kundensupport, medizinisches Retrieval), ohne Fine-Tuning oder erneutes Training.Einfache Integration. Die vollständige Pipeline — Einbetten, Speichern, Suchen, Reranking — erfordert nur wenige Zeilen Python mit den SDKs
zeroentropyundpymilvus. Zilliz Cloud übernimmt die Indexierung automatisch, sobald Sie Ihre Embeddings einfügen.Skalierbare Vektorspeicherung und -abfrage. Milvus ist darauf ausgelegt, Milliarden von Vektoren zu indexieren und zu durchsuchen. Wenn Ihre Dokumentensammlung wächst, skaliert Zilliz Cloud automatisch, um das erhöhte Datenvolumen und die Abfragelast zu bewältigen, sodass der Reranker von ZeroEntropy stets über ein schnelles First-Stage-Retrieval verfügt.
Verwaltete Infrastruktur mit automatischer Indexierung. Zilliz Cloud übernimmt Indexerstellung, Ressourcenbereitstellung und Performance-Tuning standardmäßig. Sie fügen Ihre ZeroEntropy-Embeddings ein; Zilliz Cloud kümmert sich um den Rest — keine manuelle Indexkonfiguration oder Infrastrukturverwaltung erforderlich.
So integrieren Sie ZeroEntropy mit Zilliz Cloud
Wenn Sie Open-Source-Milvus verwenden, installieren Sie einfach das ZeroEntropy Python SDK (
zeroentropy) und die Milvus-Clientbibliothek (pymilvus). Wenn Sie Zilliz Cloud (das verwaltete Milvus) verwenden, ist es viel einfacher. Einbettungs- und Reranking-Modelle sind intern integriert; es sind keine externen Abhängigkeiten erforderlich.Generieren Sie Vektoreinbettungen für Ihre Dokumente mit
zembed-1und geben Sie dabei Ihre bevorzugte Dimensionsgröße an.Fügen Sie die Einbettungen in eine Zilliz Cloud- oder Milvus-Collection ein. Zilliz Cloud übernimmt die Indizierung automatisch.
Betten Sie jede Abfrage mit
zembed-1ein und durchsuchen Sie die Collection in Zilliz Cloud, um die besten Kandidaten abzurufen.Übergeben Sie die Kandidaten an
zerank-2, um sie nach Relevanz neu zu ordnen. Optional können Sie eine natürlichsprachliche Anweisung einschließen, um das Ranking-Verhalten anzupassen.
Erfahren Sie, wie Sie ZeroEntropy mit Zilliz Cloud verwenden
Der beste Weg, um zu beginnen, ist ein praxisnahes Tutorial. Dieses Tutorial führt Sie durch den Aufbau einer zweistufigen semantischen Suchpipeline mit den Embedding- und Reranking-Modellen von ZeroEntropy und Milvus.
Tutorial: Semantische Suche mit ZeroEntropy und Milvus
Und hier sind noch ein paar weitere Ressourcen: