trustgraph/docs/tech-specs/embeddings-batch-processing.he.md

layout	title	parent
default	מפרט טכני לעיבוד אצווה של הטמעות (Embeddings)	Hebrew (Beta)

מפרט טכני לעיבוד אצווה של הטמעות (Embeddings)

Beta Translation: This document was translated via Machine Learning and as such may not be 100% accurate. All non-English languages are currently classified as Beta.

סקירה כללית

מפרט זה מתאר אופטימיזציות עבור שירות ההטמעות כדי לתמוך בעיבוד אצווה של מספר טקסטים בבקשה אחת. היישום הנוכחי מעבד טקסט אחד בכל פעם, ואינו מנצל את היתרונות המשמעותיים בביצועים שמודלי הטמעה מספקים בעת עיבוד אצוות.

1. חוסר יעילות בעיבוד טקסט בודד: היישום הנוכחי עוטף טקסטים בודדים ברשימה, ובכך אינו מנצל את יכולות האצווה של FastEmbed.
2. תקורה של בקשה לטקסט: כל טקסט דורש הודעת Pulsar נפרדת הלוך ושוב.
3. חוסר יעילות בהסקת מודל: למודלי הטמעה יש תקורה קבועה לכל אצווה; אצוות קטנות מבזבזות משאבי GPU/CPU.
4. עיבוד סדרתי בלקוחות: שירותים מרכזיים עוברים בלולאה על פריטים וקוראים להטמעות אחד בכל פעם.

מטרות

תמיכה בממשק API לאצוות: לאפשר עיבוד של מספר טקסטים בבקשה אחת. תאימות לאחור: לשמור על תמיכה בבקשות לטקסט בודד. שיפור משמעותי בביצועים: לכוון לשיפור של 5-10x בביצועים עבור פעולות אצווה. הפחתת השהייה לטקסט: להוריד את ההשהייה הממוצעת בעת הטמעת מספר טקסטים. יעילות בשימוש בזיכרון: לעבד אצוות מבלי לצרוך כמות מוגזמת של זיכרון. אי-תלות בספק: לתמוך באצוות בין FastEmbed, Ollama וספקים אחרים. מעבר של לקוחות: לעדכן את כל לקוחות ההטמעות כדי להשתמש בממשק ה-API לאצוות כאשר זה מועיל.

רקע

יישום נוכחי - שירות הטמעות

היישום של ההטמעות ב-trustgraph-flow/trustgraph/embeddings/fastembed/processor.py מציג חוסר יעילות משמעותי בביצועים:

# fastembed/processor.py line 56
async def on_embeddings(self, text, model=None):
    use_model = model or self.default_model
    self._load_model(use_model)

    vecs = self.embeddings.embed([text])  # Single text wrapped in list

    return [v.tolist() for v in vecs]

בעיות:

1. גודל אצווה 1: השיטה embed() של FastEmbed מותאמת לעיבוד באצווה, אך אנו תמיד משתמשים בה עם [text] - אצווה בגודל 1.

2. תקורה לכל בקשה: כל בקשת הטמעה כרוכה ב: סריאליזציה/דה-סריאליזציה של הודעת Pulsar השהייה של תקשורת רשת תקורה של אתחול הסקה של המודל תקורה של תזמון אסינכרוני של Python

3. מגבלת סכימה: הסכימה EmbeddingsRequest תומכת רק בטקסט אחד:

   @dataclass
   class EmbeddingsRequest:
       text: str = ""  # Single text only
   

לקוחות נוכחיים - עיבוד סדרתי

1. שער API

קובץ: trustgraph-flow/trustgraph/gateway/dispatch/embeddings.py

השער מקבל בקשות להטמעה של טקסט בודד באמצעות HTTP/WebSocket ומעביר אותן לשירות ההטמעה. כרגע אין נקודת קצה לעיבוד אצווה.

class EmbeddingsRequestor(ServiceRequestor):
    # Handles single EmbeddingsRequest -> EmbeddingsResponse
    request_schema=EmbeddingsRequest,  # Single text only
    response_schema=EmbeddingsResponse,

השפעה: לקוחות חיצוניים (אפליקציות אינטרנט, סקריפטים) חייבים לבצע N בקשות HTTP כדי להטמיע N טקסטים.

2. שירות הטמעת מסמכים

קובץ: trustgraph-flow/trustgraph/embeddings/document_embeddings/embeddings.py

מעבד פיסות של מסמכים אחת בכל פעם:

async def on_message(self, msg, consumer, flow):
    v = msg.value()

    # Single chunk per request
    resp = await flow("embeddings-request").request(
        EmbeddingsRequest(text=v.chunk)
    )
    vectors = resp.vectors

השפעה: כל חלק במסמך דורש קריאת הטמעה נפרדת. מסמך עם 100 חלקים = 100 בקשות הטמעה.

3. שירות הטמעת גרפים

קובץ: trustgraph-flow/trustgraph/embeddings/graph_embeddings/embeddings.py

עובר בלולאה על ישויות ומטמיע כל אחת בנפרד:

async def on_message(self, msg, consumer, flow):
    for entity in v.entities:
        # Serial embedding - one entity at a time
        vectors = await flow("embeddings-request").embed(
            text=entity.context
        )
        entities.append(EntityEmbeddings(
            entity=entity.entity,
            vectors=vectors,
            chunk_id=entity.chunk_id,
        ))

השפעה: הודעה עם 50 ישויות = 50 בקשות הטמעה סדרתיות. זהו צוואר בקבוק משמעותי במהלך בניית גרף ידע.

4. שירות הטמעת שורות

קובץ: trustgraph-flow/trustgraph/embeddings/row_embeddings/embeddings.py

חוזר על טקסטים ייחודיים ומטמיע כל אחד מהם באופן סדרתי:

async def on_message(self, msg, consumer, flow):
    for text, (index_name, index_value) in texts_to_embed.items():
        # Serial embedding - one text at a time
        vectors = await flow("embeddings-request").embed(text=text)

        embeddings_list.append(RowIndexEmbedding(
            index_name=index_name,
            index_value=index_value,
            text=text,
            vectors=vectors
        ))

השפעה: עיבוד טבלה עם 100 ערכים ייחודיים עם אינדקס = 100 בקשות הטמעה סדרתיות.

5. EmbeddingsClient (לקוח בסיסי)

קובץ: trustgraph-base/trustgraph/base/embeddings_client.py

הלקוח המשמש את כל מעבדי הזרימה תומך רק בהטמעה של טקסט בודד:

class EmbeddingsClient(RequestResponse):
    async def embed(self, text, timeout=30):
        resp = await self.request(
            EmbeddingsRequest(text=text),  # Single text
            timeout=timeout
        )
        return resp.vectors

השפעה: כל המשתמשים בלקוח זה מוגבלים לפעולות טקסט יחידות.

6. כלי שורת הפקודה

קובץ: trustgraph-cli/trustgraph/cli/invoke_embeddings.py

כלי שורת הפקודה מקבל ארגומנט טקסט יחיד:

def query(url, flow_id, text, token=None):
    result = flow.embeddings(text=text)  # Single text
    vectors = result.get("vectors", [])

השפעה: משתמשים אינם יכולים לבצע הטמעה אצווה משורת הפקודה. עיבוד קובץ של טקסטים דורש N הפעלות.

7. ערכת פיתוח תוכנה (SDK) עבור Python

ערכת הפיתוח תוכנה עבור Python מספקת שתי מחלקות לקוח לצורך אינטראקציה עם שירותי TrustGraph. שתיהן תומכות רק בהטמעה של טקסט בודד.

קובץ: trustgraph-base/trustgraph/api/flow.py

class FlowInstance:
    def embeddings(self, text):
        """Get embeddings for a single text"""
        input = {"text": text}
        return self.request("service/embeddings", input)["vectors"]

קובץ: trustgraph-base/trustgraph/api/socket_client.py

class SocketFlowInstance:
    def embeddings(self, text: str, **kwargs: Any) -> Dict[str, Any]:
        """Get embeddings for a single text via WebSocket"""
        request = {"text": text}
        return self.client._send_request_sync(
            "embeddings", self.flow_id, request, False
        )

השפעה: מפתחי Python המשתמשים ב-SDK חייבים לעבור על הטקסטים ולבצע N קריאות API נפרדות. אין תמיכה בהטמעה באצווה עבור משתמשי ה-SDK.

השפעה על הביצועים

עבור הכנסת מסמכים טיפוסית (1000 מקטעי טקסט): נוכחי: 1000 בקשות נפרדות, 1000 קריאות למודל באצווה (batch_size=32): 32 בקשות, 32 קריאות למודל (הפחתה של 96.8%)

עבור הטמעת גרפים (הודעה עם 50 ישויות): נוכחי: 50 קריאות await סדרתיות, ~5-10 שניות באצווה: 1-2 קריאות באצווה, ~0.5-1 שניה (שיפור של 5-10x)

ספריות כמו FastEmbed ודומות משיגות התרחבות כמעט ליניארית של התפוקה עם גודל האצווה עד לגבולות החומרה (בדרך כלל 32-128 טקסטים לאצווה).

עיצוב טכני

ארכיטקטורה

אופטימיזציה של עיבוד אצווה להטמעות דורשת שינויים ברכיבים הבאים:

1. שיפור סכימה

הרחבת EmbeddingsRequest לתמיכה במספר טקסטים הרחבת EmbeddingsResponse להחזרת מספר סטים של וקטורים שמירה על תאימות לאחור לבקשות טקסט בודדות

מודול: trustgraph-base/trustgraph/schema/services/llm.py

2. שיפור שירות בסיסי

עדכון EmbeddingsService לטיפול בבקשות באצווה הוספת תצורת גודל אצווה יישום טיפול בבקשות מודע לאצווה

מודול: trustgraph-base/trustgraph/base/embeddings_service.py

3. עדכוני מעבד ספק

עדכון מעבד FastEmbed להעברת אצווה שלמה ל-embed() עדכון מעבד Ollama לטיפול באצווה (אם נתמך) הוספת עיבוד רציף כברירת מחדל עבור ספקים שאינם תומכים באצווה

מודולים: trustgraph-flow/trustgraph/embeddings/fastembed/processor.py trustgraph-flow/trustgraph/embeddings/ollama/processor.py

4. שיפור לקוח

הוספת שיטה להטמעה באצווה ל-EmbeddingsClient תמיכה גם ב-API של טקסט בודד וגם ב-API של אצווה הוספת אצווה אוטומטית עבור קלט גדול

מודול: trustgraph-base/trustgraph/base/embeddings_client.py

5. עדכוני קוראים - מעבדי זרימה

עדכון graph_embeddings לאצווה של הקשרים של ישויות עדכון row_embeddings לאצווה של טקסטים לאינדקס עדכון document_embeddings אם אצווה של הודעות אפשרית

מודולים: trustgraph-flow/trustgraph/embeddings/graph_embeddings/embeddings.py trustgraph-flow/trustgraph/embeddings/row_embeddings/embeddings.py trustgraph-flow/trustgraph/embeddings/document_embeddings/embeddings.py

6. שיפור שער API

הוספת נקודת קצה להטמעה באצווה תמיכה במערך של טקסטים בגוף הבקשה

מודול: trustgraph-flow/trustgraph/gateway/dispatch/embeddings.py

7. שיפור כלי שורת הפקודה

הוספת תמיכה במספר טקסטים או קלט של קובץ הוספת פרמטר גודל אצווה

מודול: trustgraph-cli/trustgraph/cli/invoke_embeddings.py

8. שיפור SDK של Python

הוספת שיטה embeddings_batch() ל-FlowInstance הוספת שיטה embeddings_batch() ל-SocketFlowInstance תמיכה גם ב-API של טקסט בודד וגם ב-API של אצווה עבור משתמשי SDK

מודולים: trustgraph-base/trustgraph/api/flow.py trustgraph-base/trustgraph/api/socket_client.py

מודלים של נתונים

EmbeddingsRequest

@dataclass
class EmbeddingsRequest:
    texts: list[str] = field(default_factory=list)

שימוש: טקסט בודד: EmbeddingsRequest(texts=["hello world"]) אצווה: EmbeddingsRequest(texts=["text1", "text2", "text3"])

EmbeddingsResponse

@dataclass
class EmbeddingsResponse:
    error: Error | None = None
    vectors: list[list[list[float]]] = field(default_factory=list)

מבנה התגובה: vectors[i] מכיל את קבוצת הווקטורים עבור texts[i] כל קבוצת וקטורים היא list[list[float]] (מודלים עשויים להחזיר מספר וקטורים עבור כל טקסט) דוגמה: 3 טקסטים → vectors מכיל 3 רשומות, כאשר כל רשומה מכילה את הטבעות של הטקסט המתאים

ממשקי API

EmbeddingsClient

class EmbeddingsClient(RequestResponse):
    async def embed(
        self,
        texts: list[str],
        timeout: float = 300,
    ) -> list[list[list[float]]]:
        """
        Embed one or more texts in a single request.

        Args:
            texts: List of texts to embed
            timeout: Timeout for the operation

        Returns:
            List of vector sets, one per input text
        """
        resp = await self.request(
            EmbeddingsRequest(texts=texts),
            timeout=timeout
        )
        if resp.error:
            raise RuntimeError(resp.error.message)
        return resp.vectors

נקודת קצה של הטמעות (Embeddings) עבור שער API

נקודת קצה מעודכנת התומכת בהטמעה בודדת או באצווה:

POST /api/v1/embeddings
Content-Type: application/json

{
    "texts": ["text1", "text2", "text3"],
    "flow_id": "default"
}

Response:
{
    "vectors": [
        [[0.1, 0.2, ...]],
        [[0.3, 0.4, ...]],
        [[0.5, 0.6, ...]]
    ]
}

פרטי יישום

שלב 1: שינויי סכימה

EmbeddingsRequest:

@dataclass
class EmbeddingsRequest:
    texts: list[str] = field(default_factory=list)

תגובת הטבעה (EmbeddingsResponse):

@dataclass
class EmbeddingsResponse:
    error: Error | None = None
    vectors: list[list[list[float]]] = field(default_factory=list)

עדכון של EmbeddingsService.on_request:

async def on_request(self, msg, consumer, flow):
    request = msg.value()
    id = msg.properties()["id"]
    model = flow("model")

    vectors = await self.on_embeddings(request.texts, model=model)
    response = EmbeddingsResponse(error=None, vectors=vectors)

    await flow("response").send(response, properties={"id": id})

שלב 2: עדכון מעבד FastEmbed

נוכחי (לא יעיל):

async def on_embeddings(self, text, model=None):
    use_model = model or self.default_model
    self._load_model(use_model)
    vecs = self.embeddings.embed([text])  # Batch of 1
    return [v.tolist() for v in vecs]

עדכון:

async def on_embeddings(self, texts: list[str], model=None):
    """Embed texts - processes all texts in single model call"""
    if not texts:
        return []

    use_model = model or self.default_model
    self._load_model(use_model)

    # FastEmbed handles the full batch efficiently
    all_vecs = list(self.embeddings.embed(texts))

    # Return list of vector sets, one per input text
    return [[v.tolist()] for v in all_vecs]

שלב 3: עדכון שירות הטמעת גרפים

נוכחי (סדרתי):

async def on_message(self, msg, consumer, flow):
    entities = []
    for entity in v.entities:
        vectors = await flow("embeddings-request").embed(text=entity.context)
        entities.append(EntityEmbeddings(...))

עדכון (אצווה):

async def on_message(self, msg, consumer, flow):
    # Collect all contexts
    contexts = [entity.context for entity in v.entities]

    # Single batch embedding call
    all_vectors = await flow("embeddings-request").embed(texts=contexts)

    # Pair results with entities
    entities = [
        EntityEmbeddings(
            entity=entity.entity,
            vectors=vectors[0],  # First vector from the set
            chunk_id=entity.chunk_id,
        )
        for entity, vectors in zip(v.entities, all_vectors)
    ]

שלב 4: עדכון שירות הטמעת שורות

נוכחי (סדרתי):

for text, (index_name, index_value) in texts_to_embed.items():
    vectors = await flow("embeddings-request").embed(text=text)
    embeddings_list.append(RowIndexEmbedding(...))

עדכון (אצווה):

# Collect texts and metadata
texts = list(texts_to_embed.keys())
metadata = list(texts_to_embed.values())

# Single batch embedding call
all_vectors = await flow("embeddings-request").embed(texts=texts)

# Pair results
embeddings_list = [
    RowIndexEmbedding(
        index_name=meta[0],
        index_value=meta[1],
        text=text,
        vectors=vectors[0]  # First vector from the set
    )
    for text, meta, vectors in zip(texts, metadata, all_vectors)
]

שלב 5: שיפור כלי שורת הפקודה

שורת פקודה מעודכנת:

def main():
    parser = argparse.ArgumentParser(...)

    parser.add_argument(
        'text',
        nargs='*',  # Zero or more texts
        help='Text(s) to convert to embedding vectors',
    )

    parser.add_argument(
        '-f', '--file',
        help='File containing texts (one per line)',
    )

    parser.add_argument(
        '--batch-size',
        type=int,
        default=32,
        help='Batch size for processing (default: 32)',
    )

שימוש:

# Single text (existing)
tg-invoke-embeddings "hello world"

# Multiple texts
tg-invoke-embeddings "text one" "text two" "text three"

# From file
tg-invoke-embeddings -f texts.txt --batch-size 64

שלב 6: שיפור ערכת הפיתוח של Python

FlowInstance (לקוח HTTP):

class FlowInstance:
    def embeddings(self, texts: list[str]) -> list[list[list[float]]]:
        """
        Get embeddings for one or more texts.

        Args:
            texts: List of texts to embed

        Returns:
            List of vector sets, one per input text
        """
        input = {"texts": texts}
        return self.request("service/embeddings", input)["vectors"]

SocketFlowInstance (לקוח WebSocket):

class SocketFlowInstance:
    def embeddings(self, texts: list[str], **kwargs: Any) -> list[list[list[float]]]:
        """
        Get embeddings for one or more texts via WebSocket.

        Args:
            texts: List of texts to embed

        Returns:
            List of vector sets, one per input text
        """
        request = {"texts": texts}
        response = self.client._send_request_sync(
            "embeddings", self.flow_id, request, False
        )
        return response["vectors"]

דוגמאות לשימוש ב-SDK:

# Single text
vectors = flow.embeddings(["hello world"])
print(f"Dimensions: {len(vectors[0][0])}")

# Batch embedding
texts = ["text one", "text two", "text three"]
all_vectors = flow.embeddings(texts)

# Process results
for text, vecs in zip(texts, all_vectors):
    print(f"{text}: {len(vecs[0])} dimensions")

שיקולי אבטחה

מגבלות גודל בקשה: אכוף גודל מקסימלי לאצווה כדי למנוע מיצוי משאבים טיפול בזמני המתנה: התאם את זמני ההמתנה בהתאם לגודל האצווה מגבלות זיכרון: עקוב אחר השימוש בזיכרון עבור אצוות גדולות אימות קלט: אשר את כל הטקסטים באצווה לפני העיבוד

שיקולי ביצועים

שיפורים צפויים

קצב העברה (Throughput): טקסט בודד: ~10-50 טקסטים/שנייה (תלוי במודל) אצווה (גודל 32): ~200-500 טקסטים/שנייה (שיפור של 5-10x)

זמן תגובה לטקסט: טקסט בודד: 50-200ms לטקסט אצווה (גודל 32): 5-20ms לטקסט (ממוצע)

שיפורים ספציפיים לשירות:

שירות	נוכחי	באצווה	שיפור
הטמעת גרפים (50 ישויות)	5-10 שניות	0.5-1 שניות	5-10x
הטמעת שורות (100 טקסטים)	10-20 שניות	1-2 שניות	5-10x
קליטת מסמכים (1000 מקטעים)	100-200 שניות	10-30 שניות	5-10x

פרמטרי תצורה

# Recommended defaults
DEFAULT_BATCH_SIZE = 32
MAX_BATCH_SIZE = 128
BATCH_TIMEOUT_MULTIPLIER = 2.0

אסטרטגיית בדיקות

בדיקות יחידה

הטמעה של טקסט בודד (תאימות לאחור) טיפול באצווה ריקה אכיפת גודל אצווה מקסימלי טיפול בשגיאות עבור כשלים חלקיים באצווה

בדיקות אינטגרציה

הטמעת אצווה מקצה לקצה דרך Pulsar עיבוד אצווה בשירות הטמעת גרפים עיבוד אצווה בשירות הטמעת שורות נקודת קצה של אצווה בשער ה-API

בדיקות ביצועים

השוואת תפוקה של הטמעה בודדת לעומת אצווה שימוש בזיכרון בגדלי אצווה שונים ניתוח התפלגות השהייה

תוכנית מעבר

זו גרסה הכוללת שינויים משמעותיים. כל השלבים מיושמים יחד.

שלב 1: שינויי סכימה

החלפת text: str ב-texts: list[str] ב-EmbeddingsRequest שינוי סוג של vectors ל-list[list[list[float]]] ב-EmbeddingsResponse

שלב 2: עדכוני מעבד

עדכון חתימה של on_embeddings במעבדים FastEmbed ו-Ollama עיבוד אצווה שלמה בפעילת מודל אחת

שלב 3: עדכוני לקוח

עדכון EmbeddingsClient.embed() כדי לקבל texts: list[str]

שלב 4: עדכוני משתמשים

עדכון graph_embeddings להטמעת הקשרים של ישויות באצווה עדכון row_embeddings לעיבוד אצווה של טקסטים באינדקס עדכון document_embeddings לשימוש בסכימה החדשה עדכון כלי שורת הפקודה

שלב 5: שער API

עדכון נקודת קצה של הטמעה עבור סכימה חדשה

שלב 6: SDK של Python

עדכון חתימה של FlowInstance.embeddings() עדכון חתימה של SocketFlowInstance.embeddings()

שאלות פתוחות

הטמעת אצוות גדולות: האם עלינו לתמוך בהעברת תוצאות עבור אצוות גדולות מאוד (>100 טקסטים)? מגבלות ספציפיות לספק: כיצד עלינו להתמודד עם ספקים עם גודל אצווה מקסימלי שונה? טיפול בכשלים חלקיים: אם טקסט אחד באצווה נכשל, האם עלינו לגרום לכשל באצווה כולה או להחזיר תוצאות חלקיות? הטמעת מסמכים באצווה: האם עלינו לבצע אצווה בין הודעות Chunk מרובות או לשמור על עיבוד פר-הודעה?

הפניות

תיעוד FastEmbed ממשק API של הטמעות Ollama יישום של EmbeddingsService אופטימיזציה של ביצועים של GraphRAG