Google Cloud Discovery Engine v1 2.1.0版本发布:增强搜索与内容管理能力
Google Cloud Discovery Engine是谷歌云平台提供的一套企业级搜索和推荐服务解决方案,它基于谷歌先进的搜索技术,帮助企业构建定制化的搜索体验。该服务能够处理结构化数据和非结构化内容,提供智能化的搜索结果排序和推荐功能。
最新发布的2.1.0版本为Discovery Engine v1带来了多项重要功能增强,主要集中在搜索体验优化、内容管理能力提升以及会话交互改进等方面。这些更新使得开发者能够构建更加智能、个性化的搜索解决方案。
核心功能更新
增强的搜索与问答能力
新版本对搜索和问答功能进行了显著增强。search和search_liteRPC现在支持更多参数配置,开发者可以设置相关性阈值来控制结果质量,还可以获取每个结果的相关性评分,这对于结果排序和过滤非常有帮助。问答功能方面,answer_queryRPC新增了基础规范(grounding specification)和终端用户规范(end user specification)参数,使得回答可以更好地基于特定上下文和用户特征进行定制。
特别值得注意的是新增的stream_answer_queryRPC,它提供了流式问答能力,可以实现渐进式的答案返回,大大改善了用户体验,特别是对于复杂问题的回答场景。
改进的会话管理
会话管理功能得到了加强,get_sessionRPC现在可以返回完整的会话信息,包括所有答案的详细信息。这一改进使得开发者能够更好地跟踪和分析用户与系统的交互历史,为构建更智能的对话系统提供了基础。
内容管理增强
在内容管理方面,新版本增加了对站点地图(sitemap)管理的支持,使得内容组织和发现更加高效。import_documentsRPC新增了强制刷新非结构化内容的能力,确保内容索引能够及时更新。此外,新增的ServingConfigService提供了更灵活的搜索服务配置管理能力。
技术实现考量
从技术架构角度看,这些更新反映了Discovery Engine向更精细化控制和更丰富交互体验的发展方向。流式问答接口的引入特别值得关注,它需要服务端和客户端之间建立稳定的长连接,并处理可能的分块数据传输和重组。
相关性评分和阈值的引入为搜索质量调优提供了量化指标,开发者可以根据业务需求精确控制结果集的质量。基础规范参数则为知识图谱和事实基础的问答提供了支持,有助于减少幻觉回答。
应用场景建议
这些新功能特别适合以下应用场景:
- 需要渐进式展示复杂答案的知识库系统
- 对搜索结果质量有严格要求的电商平台
- 基于多轮对话的智能客服系统
- 内容频繁更新的媒体网站或文档系统
开发者可以利用相关性评分实现动态结果过滤,使用流式问答改善用户体验,通过增强的会话管理构建更连贯的对话流程。
总结
Google Cloud Discovery Engine v1 2.1.0版本的发布标志着该服务在搜索质量、交互体验和内容管理方面的显著进步。新功能不仅提供了更多技术控制点,也为构建更智能的搜索和推荐系统开辟了新的可能性。对于正在使用或考虑采用Discovery Engine的企业来说,这个版本值得特别关注和评估。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00