Metatiedot ja mukautetut kentät
Tällä sivulla
Konteksti, jota asiakirja ei sisällä
Tekninen raportti ei aina sisällä kirjoittajan nimeä, kirjoitusvuotta tai luottamuksellisuustasoa itse tekstissä. Nämä tiedot tekevät kuitenkin eron haun välillä, joka löytää oikean asiakirjan, ja haun välillä, joka palauttaa kolme epäoleellista tulosta. Kokoelman metatietojärjestelmä palvelee juuri tätä tarkoitusta: se liittää jokaiseen asiakirjaan jäsenneltyä tietoa, jota haku voi hyödyntää ja jonka perusteella voit suodattaa tuloksia.
Kenttien liittäminen asiakirjaan
Kun lisäät asiakirjan, fields-parametri hyväksyy vapaasti määrittelemiäsi avain-arvo-pareja:
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"
}
)
Tällä tasolla ei valvota mitään skeemaa: kenttien nimet ovat vapaasti valittavissasi. Tämä vapaus tuntuu mukavalta ensimmäisen asiakirjan kohdalla, mutta muuttuu ongelmaksi sadasseen asiakirjaan mennessä, kun author, auteur ja Author esiintyvät samassa kokoelmassa ilman, että mikään suodatin toimisi.
Sääntöjen asettaminen kokoelman tasolla
Tässä kohtaa astuvat kuvaan field_definitions, jotka määritellään kokoelmalle. Ne muuttavat epävirallisen sopimuksen rajapinnan valvomaksi rajoitteeksi. Käytettävissä on kolme asetusta:
| Asetus | Vaikutus |
|---|---|
required: true | Jokaisen asiakirjan on sisällettävä tämä metatieto |
unique: true | Kaksi asiakirjaa ei voi jakaa samaa arvoa |
inject_into_chunk: true | Metatieto lisätään indeksoituun sisältöön |
Määritelmä yhdistää nämä asetukset kenttäkohtaisesti:
{
"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
}
]
}
Lue tämä esimerkki asiakirjakäytäntönä: jokaisella asiakirjalla on oltava kirjoittaja ja tunniste, tuo tunniste kuuluu vain yhdelle asiakirjalle – mikä estää duplikaatit ingestoinnin yhteydessä – ja vuosiluku on vapaaehtoinen, jotta päiväämättömiä kohteita ei hylätä.
Vaihtoehto, joka muuttaa osuvuutta
Näistä kolmesta asetuksesta vain inject_into_chunk vaikuttaa vastausten laatuun, ja se ansaitsee tarkemman tarkastelun. Indeksoinnin aikana asiakirja pilkotaan osiin – chunkkeihin – ja tämän vaihtoehdon ottaminen käyttöön kopioi kentän arvon jokaiseen niistä.
Käytännössä, jos author: "Marie Dupont" ja inject_into_chunk: true, jokainen indeksoitu chunk sisältää tämän nimen. Kysymyksellä ”Mitä Marie Dupont kirjoitti verkon viiveestä?” on tällöin mahdollisuus osua maaliinsa, sillä nimi esiintyy haetussa sisällössä. Ilman injektointia sama kysymys nojaa vain raportin tekstiin, jossa kirjoittaja saattaa esiintyä vain kansilehdellä.
Ota siis injektointi käyttöön kontekstia kantaville kentille – kuten kirjoittaja, osasto, vuosi, kategoria – ja jätä se pois päältä hallinnollisilta kentiltä, kuten sisäiseltä tunnukselta, latauspäivämäärältä tai validointitilalta, jotka vain lisäisivät kohinaa.
Kolme toimivaksi todettua skeemaa
Hyödyllisiä metatietoja ei keksitä tyhjästä: ne kumpuavat tietokannalta esitetyistä kysymyksistä. Tekninen dokumentaatiokanta järjestäytyy tuotteen ja version ympärille, sillä käyttäjän ensimmäinen kysymys on lähes aina ”mikä versio?”:
{
"fields": {
"product": "Grok API",
"version": "v1",
"type": "reference",
"language": "en"
}
}
Henkilöstöhallinnon tietokanta sen sijaan jäsentyy kategorian ja voimaantulopäivän mukaan, sillä väärä vastaus johtuu useimmiten kumotusta käytännöstä:
{
"fields": {
"category": "hr-policy",
"effective_date": "2026-01-01",
"department": "all",
"status": "active"
}
}
Lopuksi oikeudellinen kanta rakentuu osapuolten, sopimustyypin ja vanhentumisajan ympärille, mikä mahdollistaa vanhenemassa olevien sopimusten hakemisen yhdellä kyselyllä:
{
"fields": {
"contract_type": "vendor",
"party": "Acme Corp",
"expiration": "2027-06-30",
"jurisdiction": "France"
}
}
Johdonmukaisen skeeman ylläpito
Johdonmukaisuus menetetään aina samoja reittejä pitkin, ja muutaman tavan noudattaminen riittää sen ylläpitämiseen. Standardoi kenttien nimien muotoilu – snake_case, englanniksi, ilman kielten sekoittamista. Rajoita niiden määrää: viidestä kymmeneen kenttää kattaa useimmat tarpeet; tämän ylittäessä ylläpitokustannukset kasvavat suuremmiksi kuin osuvuushyödyt. Käsittele inject_into_chunk-asetusta harkiten, sillä jokainen injektioitu kenttä kasvattaa chunkkien kokoa ja siten tallennuskustannuksia. Dokumentoi lopuksi kunkin kokoelman odotettu skeema tiimin saatavilla olevaan tiedostoon: kun useat ihmiset syöttävät dataa, juuri tuo tiedosto, ei luojan muisti, takaa johdonmukaisuuden.
Keskeiset asiat
fieldsliittää avain-arvo-metatietoja jokaiseen asiakirjaan- Kokoelman tason
field_definitionsmäärittelevät säännöt: required, unique, inject_into_chunk inject_into_chunk-vaihtoehto parantaa haun osuvuutta lisäämällä metatiedot indeksoituun sisältöön- Standardoi metatietoskeemasi kokoelman johdonmukaisuuden säilyttämiseksi