Search Settings

Plugin Dynamic Table memakai pencarian semantik berbasis vektor untuk mengambil baris. Pengaturan pencarian menentukan cara kemiripan diukur, seberapa jauh sistem akan menurunkan standar untuk menemukan hasil, dan apakah LLM reranker perlu menyempurnakan hasil setelahnya.

Setiap tabel (collection) memiliki pengaturan pencariannya sendiri. Buka Tools → Plugins → Dynamic Table → Tables, buka tabel, lalu masuk ke tab Search Settings.

Similarity Threshold

Similarity threshold menentukan skor minimum yang harus dicapai sebuah baris agar disertakan dalam hasil pencarian. Skor berkisar dari 0 sampai 1, dengan 1 berarti kecocokan semantik yang persis.

Default: 0.7

Mulailah dengan nilai default dan sesuaikan berdasarkan hasil Test Search. Jika agent mengembalikan terlalu banyak baris yang tidak relevan, naikkan threshold. Jika agent melewatkan baris yang seharusnya cocok, turunkan threshold.

Tolerance Increment

Tolerance increment menurunkan similarity threshold secara bertahap dan otomatis ketika pencarian mengembalikan hasil lebih sedikit daripada jumlah minimum yang dikonfigurasi. Ini mencegah agent memberikan jawaban kosong ketika threshold yang ketat tidak menghasilkan apa pun.

Pengaturan Tolerance Increment

Cara Kerjanya

1. Pencarian berjalan pada starting threshold.
2. Jika jumlah hasil di bawah pengaturan minimum results, threshold diturunkan sebesar threshold step.
3. Pencarian berjalan lagi pada threshold yang lebih rendah.
4. Ini diulang sampai minimum results tercapai, batas maximum results tercapai, atau threshold mencapai minimum threshold.

Contoh dengan nilai default:

Atur Minimum Results ke 0 untuk menonaktifkan tolerance increment sehingga hasil selalu dikembalikan hanya pada threshold dasar.

Skor Kemiripan di Hasil

Aktifkan Return Similarity Score untuk menyertakan skor kemiripan numerik di setiap baris hasil. Ini berguna saat pengujian untuk memahami seberapa baik baris cocok, tetapi dapat dimatikan di produksi jika Anda tidak ingin skor terlihat oleh AI.

Default: nonaktif

LLM Reranker

Reranker adalah tahap kedua opsional yang memakai model bahasa untuk memberi skor ulang dan mengurutkan ulang hasil setelah pencarian vektor. Reranker membaca kueri asli user dan baris yang diambil, lalu mengembalikannya dalam urutan relevansi.

Gunakan reranker ketika:

• Tabel berisi baris dengan kata-kata yang mirip tetapi maknanya berbeda.
• Presisi lebih penting daripada latensi.
• Kemiripan vektor saja belum memberikan hasil yang cukup akurat.

Pengaturan Reranker

Mengaktifkan reranker menambah latensi karena memerlukan panggilan LLM tambahan setelah pencarian vektor. Aktifkan hanya untuk tabel yang presisi pencariannya sangat penting.

Membuat Ulang Embedding

Vector embedding setiap baris dibuat saat baris dibuat atau diperbarui. Jika Anda mengubah kolom mana yang ditandai Searchable, atau menyesuaikan nilai Search Weight, baris yang sudah ada tetap memakai embedding lama dan tidak mencerminkan konfigurasi terbaru.

Untuk membangun ulang semua embedding sebuah tabel:

1. Buka tabel di tab Tables.
2. Klik Regenerate Embeddings.
3. Konfirmasi operasi.

Sistem memproses baris per batch dan menampilkan indikator progres. Tabel tetap dapat dicari selama proses berlangsung, tetapi hasilnya mungkin campuran sampai proses selesai.

Pembuatan ulang memakai credit OpenAI API sebanding dengan jumlah baris dan panjang konten teks setiap baris.

Kapan Perlu Membuat Ulang

Halaman Terkait

• Create a Table: mengonfigurasi search weight dan penanda searchable pada kolom.
• Test Search: memeriksa kualitas pencarian setelah mengubah pengaturan ini.
• Dynamic Table Overview