پرش به محتویات

مستندات نود تعبیه‌های Cohere#

از نود تعبیه‌های Cohere برای تولید تعبیه‌ها برای یک متن مشخص استفاده کنید.

در این صفحه، پارامترهای نود برای نود تعبیه‌های Cohere، و لینک‌هایی به منابع بیشتر را پیدا خواهید کرد.

/// یادداشت | اعتبارات اطلاعات احراز هویت برای این نود را در اینجا بیابید. ///

مقدار پارامتر در زیرنودها

زیرنودها هنگام پردازش چند آیتم با استفاده از یک عبارت، رفتار متفاوتی نسبت به سایر نودها دارند.

اکثر نودها، از جمله نودهای ریشه، هر تعداد آیتم را به عنوان ورودی می‌پذیرند، این آیتم‌ها را پردازش کرده و نتایج را خروجی می‌دهند. شما می‌توانید از عبارات برای ارجاع به آیتم‌های ورودی استفاده کنید، و نود هر بار این عبارت را برای هر آیتم حل می‌کند. برای مثال، اگر ورودی شامل پنج مقدار name باشد، عبارت {{ $json.name }} به ترتیب به هر نام حل می‌شود.

در زیرنودها، این عبارت همیشه به اولین آیتم ارجاع می‌دهد. برای مثال، اگر ورودی شامل پنج مقدار name باشد، عبارت {{ $json.name }} همیشه به اولین نام ارجاع می‌دهد. 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
## پارامترهای نود

* **مدل**: مدل مورد استفاده برای تولید تعبیه را انتخاب کنید. گزینه‌ها عبارتند از:
 * **Embed-English-v2.0(4096 ابعاد)**
	* **Embed-English-Light-v2.0(1024 ابعاد)**
	* **Embed-Multilingual-v2.0(768 ابعاد)**

بیشتر درباره مدل‌های موجود در [مستندات مدل‌های Cohere](https://docs.cohere.com/docs/models){:target=_blank .external-link} بیاموزید.

## قالب‌ها و نمونه‌ها

<!-- برای نمونه‌ها، به https://www.notion.so/n8n/Pull-in-templates-for-the-integrations-pages-37c716837b804d30a33b47475f6e3780 مراجعه کنید -->
<span class="n8n-templates-widget-more"><a href="https://n98n.ir/integrations/embeddings-cohere/" target="_blank">Browse Embeddings Cohere integration templates</a>, or <a href="https://n98n.ir/workflows/" target="_blank">search all templates</a></span>

## منابع مرتبط

برای اطلاعات بیشتر در مورد سرویس، به [مستندات تعبیه‌های Cohere در Langchain](https://js.langchain.com/integrations/text_embedding/cohere/){:target=_blank .external-link} مراجعه کنید.


مشاهده مستندسازی [هوش مصنوعی پیشرفته] n98n در این قسمت.

واژگان مورد استفاده در هوش مصنوعی#

  • کامل‌شدن: پاسخ‌هایی هستند که توسط مدلی مانند GPT تولید می‌شوند.
  • توهمات: توهم در هوش مصنوعی هنگامی است که یک مدل زبانی بزرگ (LLM) نادرست تصور می‌کند الگوها یا اشیائی وجود دارند که واقعاً وجود ندارند.
  • پایگاه داده وکتور: پایگاه داده وکتور نمایه‌های ریاضی اطلاعات را ذخیره می‌کند. از آن در کنار جاسازی‌ها و بازیاب‌ها برای ساختن یک پایگاه داده که هوش مصنوعی شما می‌تواند هنگام پاسخگویی به سوالات به آن مراجعه کند، استفاده می‌شود.
  • مخزن وکتور: مخزن وکتور، یا پایگاه داده وکتور، نمایه‌های ریاضی اطلاعات را ذخیره می‌کند. از آن در کنار جاسازی‌ها و بازیاب‌ها برای ساختن یک پایگاه داده که هوش مصنوعی شما می‌تواند هنگام پاسخگویی به سوالات به آن مراجعه کند، استفاده می‌شود.