Metadata og brugerdefinerede felter
På denne side
Kontekst, som dokumentet ikke bærer på
En teknisk rapport indeholder ikke altid forfatterens navn, året den blev skrevet, eller dens fortrolighedsniveau i selve brødteksten. Alligevel er det disse detaljer, der afgør forskellen mellem en søgning, der finder det rigtige dokument, og en der returnerer tre irrelevante resultater. Systemet til metadata i samlinger tjener netop dette formål: at knytte strukturerede oplysninger til hvert dokument, som søgningen kan udnytte, og som du kan filtrere efter.
Tilføjelse af felter til et dokument
Når du tilføjer et dokument, accepterer parameteren fields nøgle-værdi-par, som du definerer frit:
await client.collections.upload_document(
collection_id=collection_id,
name="technical-report-q1",
data=pdf_content,
fields={
"author": "Marie Dupont",
"year": "2026",
"department": "R&D",
"document_type": "report",
"confidentiality": "internal"
}
)
Der håndhæves ingen skema på dette niveau: du vælger selv feltnavnene. Denne frihed føles behagelig ved det første dokument, men bliver et problem ved det hundredede, når author, auteur og Author eksisterer side om side i samme samling uden at nogen filtre virker.
Fastlæggelse af regler på samlingsniveau
Her kommer field_definitions, som erklæres på samlingen, ind i billedet. De omdanner en mundtlig konvention til en begrænsning, der verificeres af API’et. Der findes tre indstillinger:
| Indstilling | Effekt |
|---|---|
required: true | Hvert dokument skal indeholde disse metadata |
unique: true | To dokumenter kan ikke have samme værdi |
inject_into_chunk: true | Metadataene tilføjes det indekserede indhold |
En definition kombinerer disse indstillinger felt for felt:
{
"field_definitions": [
{
"name": "author",
"required": true,
"inject_into_chunk": true
},
{
"name": "document_id",
"required": true,
"unique": true
},
{
"name": "year",
"required": false,
"inject_into_chunk": true
}
]
}
Læs dette eksempel som en dokumentpolitik: ethvert dokument har en forfatter og et ID, hvor dette ID kun tilhører ét dokument – hvilket blokerer dubletter ved indlæsning – og året forbliver valgfrit for at undgå at afvise udaterede elementer.
Indstillingen, der ændrer relevansen
Af disse tre indstillinger er inject_into_chunk den eneste, der påvirker svarkvaliteten, og den fortjener et nærmere kig. Under indeksering opdeles et dokument i fragmenter – chunks – og aktivering af denne indstilling kopierer feltværdien ind i hver enkelt af dem.
Konkret betyder det, at med author: "Marie Dupont" og inject_into_chunk: true, vil hver indekseret chunk bære dette navn. Et spørgsmål som „Hvad har Marie Dupont skrevet om netværkslatens?” har så en chance for at ramme plet, da navnet fremgår af det søgte indhold. Uden injektion afhænger det samme spørgsmål udelukkende af rapportteksten, hvor forfatteren måske kun optræder på forsiden.
Aktivér derfor injektion for felter, der bærer kontekst – forfatter, afdeling, år, kategori – og lad det være deaktiveret for administrative felter som et internt ID, upload-dato eller valideringsstatus, som kun vil tilføje støj.
Tre velafprøvede skemaer
Nyttige metadata opfindes ikke i det abstrakte; de udspringer af de spørgsmål, der stilles til databasen. En base med teknisk dokumentation organiseres omkring produkt og version, da en brugers første spørgsmål næsten altid er „hvilken version?”:
{
"fields": {
"product": "Grok API",
"version": "v1",
"type": "reference",
"language": "en"
}
}
En vidensbase for HR ræsonnerer derimod ud fra kategori og ikrafttrædelsesdato, da det forkerte svar her oftest er en ophævet politik:
{
"fields": {
"category": "hr-policy",
"effective_date": "2026-01-01",
"department": "all",
"status": "active"
}
}
Endelig struktureres en juridisk base omkring parter, kontrakttype og udløb, hvilket giver dig mulighed for at trække aftaler, der nærmer sig udløb, frem med en enkelt forespørgsel:
{
"fields": {
"contract_type": "vendor",
"party": "Acme Corp",
"expiration": "2027-06-30",
"jurisdiction": "France"
}
}
Opretholdelse af et konsistent skema
Konsistens går altid tabt gennem de samme kanaler, og få vaner er nok til at opretholde den. Standardisér formatet på feltnavne – snake_case, på engelsk, uden at blande sprog. Begræns antallet: fem til ti felter dækker de fleste behov; ud over det vejer vedligeholdelsesomkostningerne tungere end gevinsterne ved relevans. Håndtér inject_into_chunk med omtanke, da hvert injiceret felt forøger chunk-størrelsen og dermed lagringsomkostningerne. Dokumentér endelig det forventede skema for hver samling i en fil, der er tilgængelig for teamet: når flere personer fodrer systemet, er det denne fil – og ikke skaberens hukommelse – der garanterer konsistensen.
Vigtige pointer
fieldsknytter nøgle-værdi-metadata til hvert dokumentfield_definitionspå samlingsniveau definerer regler: required, unique, inject_into_chunk- Indstillingen
inject_into_chunkforbedrer søgerelevansen ved at tilføje metadata til det indekserede indhold - Standardisér dine metadata-skemaer for at opretholde konsistens i samlingen