Elasticsearch ve Qdrant Vector DB Verilerini İnceleme Aracı
Metin, vektör DB'deki kayıtlarla anlamsal benzerliğe göre aranır (influencer bio, kategori, istatistik metinleri ve datacenter açıklamaları).
Influencer ve içerik verilerine dayalı RAG chatbot. Sorunuzu yazın; cevap yalnızca vektör veritabanındaki kayıtlara göre üretilir.
Ne yazmalıyım? Doğal dil kullanın. Örnekler:
«Hangi influencer'ların günlük affiliate paylaşımı 1'den fazla?»
«Takipçisi çok olan teknoloji hesapları»
«Oyuncu veya oyun içerikli hesaplar»
«@danlabilic hakkında bilgi ver»
«Reklam veya affiliate içerik paylaşan hesaplar»
Arama anlamsal benzerlik ile yapılır; sayılar (örn. sc_affiliate_avg_daily=1.27) metin olarak kayıtlara eklendiği için «günlük affiliate 1'den fazla» gibi ifadeler ilgili influencer'ları getirir. Kesin sayısal filtre (sadece 1.27 olanlar) yok; en alakalı kayıtlar döner.
Bu modül nasıl çalışır?
Kullanıcı bir cümle yazar ve gönderir.
Bu cümle, veritabanındaki metinlerle aynı model (Vertex AI text-embedding-005) ile vektörlenir.
Bu vektör, Qdrant vektör veritabanında anlamsal benzerlik ile aranır; en alakalı influencer ve içerik kayıtları getirilir.
Getirilen kayıtlar bağlam (context) metni olarak birleştirilir.
Bu bağlam + kullanıcı sorusu, LLM'e (Google Gemini) gönderilir; LLM sadece bu bağlama dayalı cevap üretir.
Cevap kullanıcıya gösterilir; istenirse hangi kayıtlardan geldiği (kaynaklar) da listelenir.