循序渐进 · 教学 · 用官方模型做语义搜索 Palantir-provided models

不自己部署模型，也能搭出语义搜索

这一篇用 Palantir 提供的嵌入模型，端到端搭一个语义搜索工作流。你会学到怎么生成嵌入、怎么用无码方案快速起步， 以及怎么写一个能按相关性排序的检索函数。

全部目录 ← 上一篇 用官方模型做语义搜索 下一篇 →
原文 Use Palantir-provided models to create a semantic search workflow 预计阅读 12 分钟 含 互动演示 + 6 道测验
本文来源 · Source 内容整理自 Palantir Foundry 官方文档：
https://www.palantir.com/docs/foundry/ontology/using-palantir-provided-models-to-create-a-semantic-search-workflow/
原始标题：Use Palantir-provided models to create a semantic search workflow
★

一句话速览

不自己部署模型，也能搭出语义搜索：这一篇用 Palantir 提供的嵌入模型，端到端搭一个语义搜索工作流。你会学到怎么生成嵌入、怎么用无码方案快速起步，以及怎么写一个能按相关性排序的检索函数。

1 前置条件与这篇讲什么
用 Palantir 提供的语言模型前，原文要求两件事：你的 enrollment 上必须已启用 AIP，并且你要有使用 AIP 开…
2 三条搭建路线
原文把所有路线归纳成「一个前置 + 三种选项」
3 生成嵌入并建对象类型
无论走哪条路线，第一步都一样：先有「带向量的对象」
4 两种无码方案
原文提醒：KNN 对象集无法按相关性排序
1

前置条件与这篇讲什么

先确认 AIP 已开启，再决定走官方模型还是自定义模型。

用 Palantir 提供的语言模型前，原文要求两件事：你的 enrollment 上必须已启用 AIP， 并且你要有使用 AIP 开发者能力（AIP developer capabilities）的权限。

先分清路线：如果你要用的是自己的模型，请直接看本系列下一篇《用自定义模型做语义搜索》。 这一篇只讲「用 Palantir 提供的嵌入模型」。

整篇目标很明确：用官方嵌入模型，搭建一个端到端的语义搜索工作流。 核心思路是先生成嵌入、存进带 vector 类型属性的对象类型，再在 Workshop / AIP Logic 里使用。

2

总览：三条搭建路线

先有嵌入与对象类型，再选「无码」或「写函数」路线。

原文把所有路线归纳成「一个前置 + 三种选项」：

前置：生成嵌入 + 建对象类型
用 Pipeline Builder 把文本转成向量，落到本体的 vector 属性上（三条路线共用）。
选项 A：Workshop KNN 对象集（无码）
在 Workshop 里配一个 KNN 对象集，零代码做语义搜索。
选项 B：AIP Chatbot（无码）
在 AIP Chatbot Studio 里加「本体语义搜索」工具，让机器人代你搜。
选项 C：写检索函数
写函数跨对象做语义搜索，可在 Workshop 与 AIP Logic 复用，且能按相关性排序。
3

步骤一：生成嵌入并建对象类型

用 Pipeline Builder 的「Text to Embeddings」把文本变成向量。

无论走哪条路线，第一步都一样：先有「带向量的对象」。

  • 在 Pipeline Builder 里，用 Text to Embeddings 表达式把数据集里的文本转成向量。
  • 该表达式接收一个字符串，用某个 Palantir 提供的模型把它变成向量；原文示例用的是 text-embedding-ada-002。
  • 生成的嵌入要作为 vector 类型的属性加进本体（Ontology）。
想更可控：若需要对官方模型的嵌入生成有更多控制，原文指向「Python transforms 里的语言模型」用法， 可以在 Python transform 中调用 Palantir 提供的模型来生成嵌入。
4

步骤二：两种无码方案

Workshop KNN 对象集，或 AIP Chatbot——都不写代码。

方案 A：Workshop 里的 KNN 对象集

原文提醒：KNN 对象集无法按相关性排序。若你需要有序结果，要用后面的「函数方案」（TSv1 / TSv2，两者都支持相关性排序）。 配置步骤如下：

配置建对象集变量并选 embedding 属性
新建对象集变量 → 选含嵌入属性的对象类型 → 「+ On a property」选你的嵌入属性
选对属性后，KNN 配置面板会自动出现；若没出现，检查所选属性是否确为 embedding 类型。
参数K-value 与 Query
K-value：返回多少个对象；Query：用作查询的字符串变量
K-value 范围是 1–100。再建一个文本输入组件，把它的输出变量填进 KNN 的 Query。
展示对象表组件接 KNN 对象集
用户一输入，对象表就刷新出语义相关的结果
最后加一个 Object table 组件，输入变量选刚才的 KNN 对象集即可。

方案 B：AIP Chatbot（无码）

在 AIP Chatbot Studio 里建一个 Chatbot，添加 Ontology context， 或一个 Ontology semantic search 工具（tool）。这样用户就能直接让机器人对对象做语义搜索了。

5

步骤三：写检索函数（TSv1 / TSv2 / Python）

函数能按相关性排序，且可在 Workshop 与 AIP Logic 复用。

要「按相关性排序」或做更复杂逻辑，就得写函数，对对象类型跑 KNN 搜索。三种版本差别如下：

版本查询嵌入怎么来邻居数 k相关性排序
TypeScript v1 用同款官方模型自己先嵌入查询，再把向量传给 nearestNeighbors 0 < K ≤ 100 额外调用 .orderByRelevance()
TypeScript v2 把用户文本直接传给 nearestNeighbors（它接受向量或文本） numNeighbors 1–500 向 fetchPage() 传 $orderBy:"relevance"
Python 同样把查询文本传给 nearest_neighbors 由搜索范围约束 返回对象带 _score 字段
TSv1 专属配置：函数代码仓库的 functions.json 里必须有 "enableVectorProperties": true 这一项， 否则 KNN 搜不动。这是 TSv1 仓库的产物；TSv2 / Python 没有等价设置，文档未说明可直接沿用。
代码组织差异：TSv1 函数是导出类上的方法（通常在 functions-typescript/src/index.ts）； TSv2 是文件默认导出（位于 typescript-functions/src/functions，且文件名须与函数名一致）； Python 用 @function(beta=True) 声明（beta 特性）。
6

步骤四：发布并用于 Workshop / AIP Logic

发布函数后，在应用中调用；在 AIP Logic 里作为工具。

函数写好后，记得发布（publish）它，才能在 Foundry 各处使用。两种用法：

在 Workshop 用
加一个文本输入组件当函数入参；再加一个对象列表组件，输入选「函数生成的对象集」。邻居数（TSv1 的 kValue / Python 的 k_value）按上限填即可。
在 AIP Logic 用
把发布的函数作为工具（tool）加进 AIP Logic，用类似下面的提示让 LLM 调用它：
Use the findRelevantObjects tool with a kValue of 5...（注意查询加引号）。
7

动手演示：点开每步看完整配置流程

下面是把这一篇串起来的分层流程，点每层展开细节。

官方模型方案的完整路径就这五层。逐层点开，把每步该做什么记下来——它就是你在 Foundry 里真正要点的按钮。

第 1 层确认 AIP 已启用 + 有权限
enrollment 开启 AIP，且你有 AIP developer capabilities 权限
这是所有后续步骤的前提；权限不够时函数与模型都调不动。
第 2 层Pipeline Builder 生成嵌入 + 建对象类型
Text to Embeddings 表达式（模型：text-embedding-ada-002）→ vector 属性
把文本的嵌入作为 vector 类型属性写进本体对象；这是三条路线共用的基础。
第 3 层选无码方案（可选）
Workshop KNN 对象集（K 1–100，不排序）或 AIP Chatbot 工具
零代码即可起步；若要相关性排序，跳过这层直接写函数。
第 4 层写检索函数（要排序就上这层）
TSv1 自嵌查询 / TSv2·Python 直传文本；KNN 搜索对象
TSv1 需 functions.json 里 enableVectorProperties:true；k 上限 100（TSv1）/500（TSv2）。
第 5 层发布并在 Workshop / AIP Logic 使用
发布函数 → Workshop 文本输入+对象列表；或 AIP Logic 加为工具
在 AIP Logic 里用提示让 LLM 调工具，例如 kValue of 5 找最相关对象。

一页带走

① 先开 AIP
启用 AIP + 开发者权限，是前提。
② 嵌入进本体
Pipeline Builder 生成向量，存为 vector 属性。
③ 无码或写函数
KNN/Chatbot 零代码；要排序就写函数。
④ 发布复用
函数发布后可在 Workshop 与 AIP Logic 使用。

延伸阅读 · 相关页面

按主题横向跳转，不必顺着目录一篇篇读。

常见问题速答 · FAQ

关于「不自己部署模型，也能搭出语义搜索」，读者最常问的几个问题。

前置条件与这篇讲什么？
用 Palantir 提供的语言模型前，原文要求两件事：你的 enrollment 上必须已启用 AIP，并且你要有使用 AIP 开发者能力（AIP developer capabilities）的权限。
总览：三条搭建路线是什么？
原文把所有路线归纳成「一个前置 + 三种选项」。
步骤一：生成嵌入并建对象类型是什么？
无论走哪条路线，第一步都一样：先有「带向量的对象」。
动手演示：点开每步看完整配置流程是什么？
官方模型方案的完整路径就这五层。逐层点开，把每步该做什么记下来——它就是你在 Foundry 里真正要点的按钮。
全部目录 ← 上一篇：本体增强生成 下一篇：用自定义模型做语义搜索 →