Векторный поиск

Векторный поиск извлекает контекст по семантическому сходству, а не по точным ключевым словам — полезно, когда формулировки в outer_context отличаются от вашего запроса.

Установка

Для векторного поиска нужны дополнительные зависимости (FAISS + эмбеддинги):

pip install 'mmar-carl[vector-search]'

Это устанавливает faiss-cpu, fastembed и numpy. Substring-поиск работает всегда без этих пакетов.

Настройка

from mmar_carl import ContextSearchConfig, ReasoningChain

search_config = ContextSearchConfig(
    strategy="vector",
    embedding_model="all-MiniLM-L6-v2",   # optional; a sensible default is used otherwise
    vector_config={
        "index_type": "flat",        # "flat" (default) or "ivf" for large datasets
        "similarity_threshold": 0.7, # minimum similarity score, 0–1 (default 0.7)
        "max_results": 5,            # max snippets per query (default 5)
    },
)

chain = ReasoningChain(steps=steps, search_config=search_config)

Ключ vector_config	По умолчанию	Назначение
index_type	"flat"	Тип индекса FAISS; "ivf" масштабируется для больших корпусов.
similarity_threshold	0.7	Отсекать совпадения ниже этого порога.
max_results	5	Максимальное количество фрагментов на запрос.

Substring vs. vector

	Substring	Vector
Зависимости	нет	faiss-cpu, fastembed, numpy
Сопоставление	точные ключевые слова	семантическое сходство
Скорость	максимальная	медленнее (вычисляет эмбеддинги)
Лучше для	кодов, идентификаторов, точных терминов	перефразированных / концептуальных совпадений

Смешивайте оба режима в одном шаге через переопределения на уровне запроса.