Embeddings Azure OpenAI Node

Verwenden Sie den Embeddings Azure OpenAI Node, um Embeddings für einen gegebenen Text zu generieren.

Auf dieser Seite finden Sie die Node-Parameter für den Embeddings Azure OpenAI Node und Links zu weiteren Ressourcen.

Anmeldedaten

Informationen zur Authentifizierung für diesen Node finden Sie hier.

Parameter resolution in sub-nodes

Sub-nodes behave differently to other nodes when processing multiple items using an expression.

Most nodes, including root nodes, take any number of items as input, process these items, and output the results. You can use expressions to refer to input items, and the node resolves the expression for each item in turn. For example, given an input of five name values, the expression {{ $json.name }} resolves to each name in turn.

In sub-nodes, the expression always resolves to the first item. For example, given an input of five name values, the expression {{ $json.name }} always resolves to the first name.

Node-Optionen

• Modell (Deployment) Name: Wählen Sie das Modell (Deployment) aus, das für die Generierung von Embeddings verwendet werden soll.
• Batch Size: Geben Sie die maximale Anzahl von Dokumenten an, die in jeder Anfrage gesendet werden sollen.
• Strip New Lines: Wählen Sie aus, ob neue Zeilenumbrüche aus dem Eingabetext entfernt werden sollen (aktiviert) oder nicht (deaktiviert). Localmind Automate aktiviert dies standardmäßig.
• Timeout: Geben Sie die maximale Zeit in Sekunden ein, die eine Anfrage dauern darf. Setzen Sie den Wert auf -1 für kein Timeout.

Verwandte Ressourcen

Weitere Informationen zum Dienst finden Sie in der OpenAI-Embeddings-Dokumentation von LangChain.

View Localmind Automate's Advanced AI documentation.

AI glossary

• completion: Completions are the responses generated by a model like GPT.
• hallucinations: Hallucination in AI is when an LLM (large language model) mistakenly perceives patterns or objects that don't exist.
• vector database: A vector database stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.
• vector store: A vector store, or vector database, stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.