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

layout	title	parent
default	Vipimo vya Kiufundi vya Uendeshaji wa Pamoja wa Matukio (Embeddings)	Swahili (Beta)

Vipimo vya Kiufundi vya Uendeshaji wa Pamoja wa Matukio (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.

Muhtasari

Maelekezo haya yanaelezea uboreshaji kwa huduma ya matukio ili kusaidia uendeshaji wa pamoja wa maandishi mengi katika ombi moja. Utaratibu wa sasa huendesha maandishi moja kwa wakati, na hivyo kupoteza faida kubwa za utendaji ambazo modeli za matukio hutoa wakati wa kuendesha matukio.

1. Utofauti wa Uendeshaji wa Maandishi Moja: Utaratibu wa sasa unaficha maandishi ya moja ndani ya orodha, na hivyo kutumia viboresho vya uendeshaji wa FastEmbed.
2. Mizio ya Ombi kwa Maandishi Kila Moja: Maandishi kila moja yanahitaji ujumbe tofauti wa Pulsar.
3. Utofauti wa Uendeshaji wa Modeli: Modeli za matukio zina gharama thabiti kwa kila kundi; madaraja madogo hutumia rasilimali za GPU/CPU.
4. Uendeshaji wa Mfululizo katika Huduma Zinazotumia: Huduma muhimu huenda kupitia vipengele na kuita matukio moja kwa moja.

Lengo

Usaidizi wa API ya Matukio: Kuruhusu uendeshaji wa maandishi mengi katika ombi moja. Ulinganifu na Mifumo ya Zamani: Kuendelea kutoa usaidizi kwa ombi la maandishi moja. Uboreshaji Mkubwa wa Ufanisi: Lengo ni uboreshaji wa ufanisi wa mara 5-10 kwa operesheni za jumla. Kupunguza Muda wa Kila Maandishi: Kupunguza muda wa wastani wakati wa kuendesha matukio ya maandishi mengi. Ufanisi wa Kumbukumbu: Kuendesha madaraja bila matumizi mengi ya kumbukumbu. Usiohusiana na Mtoa Huduma: Kusaidia uendeshaji wa pamoja kwa FastEmbed, Ollama, na watoa huduma wengine. Kubadilisha Huduma Zinazotumia: Kusasisha huduma zote zinazotumia matukio ili kutumia API ya matukio ambapo inafaa.

Asili

Utaratibu wa Sasa - Huduma ya Matukio

Utaratibu wa matukio katika trustgraph-flow/trustgraph/embeddings/fastembed/processor.py unaonyesha upotevu mkubwa wa utendaji:

# 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]

Matatizo:

1. Ukubwa wa Kundi 1: Njia ya embed() ya FastEmbed imeundwa kwa ajili ya usindikaji wa kundi, lakini tunaiita kila wakati na [text] - kikundi cha ukubwa wa 1.

2. Mizio ya Kila Ombi: Kila ombi la uainishaji (embedding) hutoa: Usajili/uondoaji wa ujumbe wa Pulsar Muda wa kusafiri wa mtandao (latency) Mizio ya kuanzisha utekelezaji wa mfumo (model inference) Mizio ya upangaji wa async ya Python

3. Kizuia cha Mpango (Schema): Mpango wa EmbeddingsRequest unaunga mkono tu maandishi moja:

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

Wataalamu Wanaotumia Sasa - Uendeshaji wa Mfululizo

1. Lango la API

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

Lango linakubali ombi za uingizaji maandishi moja kupitia HTTP/WebSocket na huvipeleka kwa huduma ya uingizaji. Kwa sasa, hakuna mwisho wa kazi za kikundi.

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

Athari: Wateja wa nje (programu za wavuti, skripti) lazima wafanye ombi la HTTP N ili kuingiza maandishi N.

2. Huduma ya Kuingiza Nyaraka

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

Huprosesa vipande vya nyaraka moja kwa moja:

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

Athari: Kila sehemu ya hati inahitaji ombi tofauti la uingizaji (embedding). Hati yenye sehemu 100 = ombi la uingizaji 100.

3. Huduma ya Uingizaji wa Picha (Graph Embeddings Service)

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

Inafanya mzunguko kwenye vitu na kuingiza kila kimoja kwa mtiririko:

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,
        ))

Athari: Ujumbe wenye vitu 50 = ombi la uwekaji wa maandishi (embedding) la kila kitu. Hii ni kikwazo kikubwa wakati wa uundaji wa grafu ya maarifa.

4. Huduma ya Uwekaji wa Maandishi ya Safu

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

Huenda kupitia maandishi ya kipekee na huweka kila moja kwa mmoja:

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
        ))

Athari: Kuchakata jedwali lenye maadili 100 ya kipekee yaliyopangwa = maombi 100 ya uwekaji data (embedding) kwa kila moja.

5. EmbeddingsClient (Mteja wa Msingi)

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

Mteja unaotumika na vichakataji vyote vya mtiririko unao na uwezo wa kuweka data (embedding) kwa maandishi moja tu:

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

Athari: Wateja wote wanaotumia programu hii wamezuiliwa kufanya kazi za maandishi pekee.

6. Vifaa vya Amri (Command-Line Tools)

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

Zana ya CLI inakubali hoja moja ya maandishi:

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

Athari: Watumiaji hawawezi kuingiza data kwa wingi kupitia amri. Kuchakata faili ya maandishi inahitaji utendaji wa N mara.

7. SDK ya Python

SDK ya Python hutoa madarasa mawili ya wateja kwa kuingiliana na huduma za TrustGraph. Zote mbili zinaunga mkono tu kuingiza maandishi moja.

Faili: 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"]

Faili: 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
        )

Athari: Wasanidi wa Python wanaotumia SDK lazima watumie mzunguko kwenye maandishi na kufanya maombi tofauti ya API. Hakuna msaada wa uingizaji wa data kwa wingi (batch) kwa watumiaji wa SDK.

Athari za Utendaji

Kwa uingizaji wa kawaida wa hati (vifaa 1000 vya maandishi): Sasa: Maombi 1000 tofauti, matumizi 1000 ya mfumo wa utambuzi (model inference). Kwa wingi (batch_size=32): Maombi 32, matumizi 32 ya mfumo wa utambuzi (96.8% ya kupungua).

Kwa uingizaji wa data kwa wingi (message na vitu 50): Sasa: Simu 50 za await mfululizo, takriban sekunde 5-10. Kwa wingi: Simu 1-2 za wingi, takriban sekunde 0.5-1 (uboreshaji wa mara 5-10).

Maktaba kama FastEmbed na zile sawa hufikia ongezeko la takriban moja kwa moja la ufanisi kwa wingi, hadi kikomo cha vifaa (kawaida vifaa 32-128 kwa wingi).

Muundo wa Kiufundi

Muundo

Uboreshaji wa uingizaji wa data kwa wingi unahitaji mabadiliko katika vipengele vifuatavyo:

1. Uboreshaji wa Mfumo

Panua EmbeddingsRequest ili kusaidia maandishi mengi. Panua EmbeddingsResponse ili kurejesha seti nyingi za vector. Dumishe utangamano na maombi ya maandishi moja.

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

2. Uboreshaji wa Huduma ya Msingi

Sasisha EmbeddingsService ili kushughulikia maombi ya wingi. Ongeza usanidi wa ukubwa wa wingi. Lenga ushughulikiaji wa maombi unaoelinganisha na wingi.

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

3. Sasisho za Mchakato wa Mtoa Huduma

Sasisha mchakato wa FastEmbed ili kupitisha wingi kamili kwa embed(). Sasisha mchakato wa Ollama ili kushughulikia wingi (ikiwa inasaidiwa). Ongeza ushughulikiaji wa mfululizo kama njia ya dharura kwa watoa huduma ambao hawasaidii wingi.

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

4. Uboreshaji kwa Mteja

Ongeza njia ya kuingiza data kwa wingi katika EmbeddingsClient Saidia API za moja kwa moja na za wingi Ongeza uingizaji wa data kwa wingi kwa data kubwa

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

5. Sasisho kwa Msimuizi - Wasindikaji wa Mchakato

Sasisha graph_embeddings ili kuingiza muktadha wa vitu kwa wingi Sasisha row_embeddings ili kuingiza maandishi ya faharasa kwa wingi Sasisha document_embeddings ikiwa uingizaji wa data kwa wingi unawezekana

Moduli: 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. Uboreshaji kwa Lango la API

Ongeza mwisho wa kuingiza data kwa wingi Saidia safu ya maandishi katika mwili wa ombi

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

7. Uboreshaji kwa Zana ya CLI

Ongeza usaidizi wa maandishi mengi au uingizaji wa faili Ongeza parameter ya ukubwa wa wingi

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

8. Uboreshaji kwa SDK ya Python

Ongeza njia ya embeddings_batch() katika FlowInstance Ongeza njia ya embeddings_batch() katika SocketFlowInstance Saidia API za moja kwa moja na za wingi kwa watumiaji wa SDK

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

Mifano ya Data

EmbeddingsRequest

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

Matumizi: Nakala moja: EmbeddingsRequest(texts=["hello world"]) Kundi: EmbeddingsRequest(texts=["text1", "text2", "text3"])

Jibu la Uelekezaji

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

Muundo wa majibu: vectors[i] ina mkusanyiko wa vektali kwa texts[i] Kila mkusanyiko wa vektali ni list[list[float]] (modeli zinaweza kurejesha vektali nyingi kwa kila maandishi) Kwa mfano: maandishi 3 → vectors ina vipengele 3, kila kipengele kina uelekezo wa maandishi hayo

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

Ncha ya Ufikiaji (Endpoint) ya Uingizaji (Embedding) ya Langara ya API

Ncha ya ufikiaji (endpoint) imesasishwa ili kusaidia uingizaji (embedding) mmoja au wa kikundi:

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, ...]]
    ]
}

Maelezo ya Utendaji

Awamu ya 1: Marekebisho ya Mfumo

Ombi la Uingizaji:

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

Jibu la Uingizwaji:

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

Sasisho la 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})

Awamu ya 2: Sasisho la Mchakato wa FastEmbed

Sasa (Haina ufanisi):

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]

Imebhadiliwa:

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]

Awamu ya 3: Sasisho la Huduma ya Uingizaji Picha kwenye Grafu

Sasa (Mfululizo):

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(...))

Imebhadilishwa (Kundi):

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)
    ]

Awamu ya 4: Sasisho la Huduma ya Uwekaji Data katika Safu

Sasa (Mfululizo):

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

Imebhadilishwa (Kundi):

# 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)
]

Awamu ya 5: Kuboresha Zana ya Kifaa cha Amri (CLI)

CLI iliyoboreshwa:

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)',
    )

Matumizi:

# 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

Awamu ya 6: Kuboresha Kitengo cha Programu (SDK) cha Python

FlowInstance (mfumo wa wateja wa 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 (mfumo wa mteja wa 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"]

Mfano wa Matumizi ya 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")

Mambo ya Kuzingatia Kuhusu Usalama

Vikomo vya Ukubwa wa Ombi: Punguza ukubwa wa juu wa kila kikundi ili kuzuia matumizi yasiyofaa ya rasilimali. Usimamizi wa Muda wa Hesabu (Timeout): Punguza muda wa hesabu ipasavyo kwa ukubwa wa kikundi. Vikomo vya Kumbukumbu: Fuatilia matumizi ya kumbukumbu kwa vikundi vikubwa. Uthibitisho wa Pembejeo: Thibitisha maandishi yote katika kikundi kabla ya kuchakata.

Mambo ya Kuzingatia Kuhusu Utendaji

Ubora Unaotarajiwa

Uwezo wa Kuchakata (Throughput): Maandishi moja: ~10-50 maandishi/sekunde (kulingana na mfumo) Kikundi (ukubwa wa 32): ~200-500 maandishi/sekunde (uboreshaji wa 5-10x)

Muda wa Kuchakata Kila Maandishi: Maandishi moja: 50-200ms kwa kila maandishi Kikundi (ukubwa wa 32): 5-20ms kwa kila maandishi (kwa wastani)

Ubora Maalum kwa Huduma:

Huduma	Sasa	Kwa Kikundi	Uboreshaji
Uwekaji Picha (50 vitu)	5-10s	0.5-1s	5-10x
Uwekaji Mistari (100 maandishi)	10-20s	1-2s	5-10x
Uingizaji wa Hati (1000 sehemu)	100-200s	10-30s	5-10x

Vigezo vya Usanidi

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

Mbinu ya Majaribio

Majaribio ya Kitengo

Uingizaji wa maandishi moja (utangamano wa nyuma) Usimamizi wa kundi tupu Utumiaji wa ukubwa wa juu wa kundi Usimamizi wa makosa kwa kushindwa kwa kundi

Majaribio ya Uunganisho

Uingizaji wa kundi kamili kupitia Pulsar Uchakataji wa kundi wa huduma ya uingizaji wa grafu Uchakataji wa kundi wa huduma ya uingizaji wa mstari Ncha ya kundi ya lango la API

Majaribio ya Utendaji

Tathmini ya kasi ya uingizaji wa moja dhidi ya kundi Matumizi ya kumbukumbu chini ya saizi tofauti za kundi Uchambuzi wa usambazaji wa kuchelewesha

Mpango wa Uhamisho

Hii ni toleo la mabadiliko makubwa. Awamu zote zinafanywa pamoja.

Awamu ya 1: Mabadiliko ya Mpango

Badilisha text: str na texts: list[str] katika EmbeddingsRequest Badilisha aina ya vectors kuwa list[list[list[float]]] katika EmbeddingsResponse

Awamu ya 2: Masuala ya Marekebisho

Sasisha saini ya on_embeddings katika washauri wa FastEmbed na Ollama Chakata kundi kamili katika wito mmoja wa modeli

Awamu ya 3: Masuala ya Wateja

Sasisha EmbeddingsClient.embed() ili kukubali texts: list[str]

Awamu ya 4: Watumiaji

Sasisha graph_embeddings ili kuingiza muktadha wa vitu katika kundi Sasisha row_embeddings ili kuingiza maandishi ya faharasa katika kundi Sasisha document_embeddings ili itumie mpango mpya Sasisha zana ya CLI

Awamu ya 5: Lango la API

Sasisha ncha ya uingizaji kwa mpango mpya

Awamu ya 6: SDK ya Python

Sasisha saini ya FlowInstance.embeddings() Sasisha saini ya SocketFlowInstance.embeddings()

Maswali ya Funguo

Uingizaji wa Kundi Kubwa: Je, tunapaswa kusaidia uingizaji wa matokeo kwa kundi kubwa sana (>100 maandishi)? Vikomo Maalum vya Mtoa Huduma: Je, tunapaswa kushughulikia watoa huduma wenye saizi tofauti za kundi? Usimamizi wa Kushindwa kwa Kiasi: Ikiwa maandishi moja katika kundi kushindwa, je, tunapaswa kushindwa kundi lote au kurudisha matokeo ya sehemu? Uingizaji wa Kundi wa Mengine: Je, tunapaswa kuingiza kote kwa ujumbe mwingi wa Chunk au kuendelea na uchakataji wa kila ujumbe?

Marejeleo

Dokumenti ya FastEmbed API ya Uingizaji ya Ollama Utekelezaji wa Huduma ya Uingizaji Uboreshaji wa Utendaji wa GraphRAG