Quickstart

Key besorgen

Erstelle in der ConareDB-Console einen cdb_...-Key. Keys sind auf dein Namespace-Präfix mit read/write-Berechtigungen gescopt, werden einmalig angezeigt und als Bearer-Token gesendet:

export CONAREDB_API_KEY='cdb_...'

Zeilen schreiben

Namespaces werden beim ersten Schreibvorgang angelegt – kein Schema, keine Zeremonie. Jede Zeile ist ein Knoten mit externer id, Properties und optionalem Vektor. Die Vektordimension wird durch den ersten vektorisierten Schreibvorgang festgelegt und bei jedem weiteren validiert.

curl -s https://db.conare.ai/v1/namespaces/acme-docs/query \
  -H "Authorization: Bearer $CONAREDB_API_KEY" \
  -d '{
    "request_type": "write",
    "query": {
      "queries": [{"Query": {"name": "w", "condition": null, "steps": [
        {"UpsertN": {"id": "chunk-123", "label": "chunk",
          "props": {"text": "Refund policy: 30 days, no questions.", "created_at_ms": 1720000000000, "project": "docs"},
          "vector": [0.0123, -0.0456]}}
      ]}}],
      "returns": ["w"]
    }
  }'

UpsertN ist ein vollständiger Zeilenersatz mit id als Schlüssel – schreibst du dieselbe id erneut, wird die alte Zeile (und ihr Vektor) ersetzt, nicht gemergt.

Suchen

Ein Request führt bis zu drei gerankte Zweige aus – Vektor-ANN, BM25-Keyword und chronologisch – über derselben gefilterten Zeilenmenge:

curl -s https://db.conare.ai/v1/namespaces/acme-docs/search \
  -H "Authorization: Bearer $CONAREDB_API_KEY" \
  -d '{
    "label": "chunk",
    "filter": ["project", "Eq", "docs"],
    "include_props": ["text"],
    "branches": {
      "vector":  {"embedding": [0.0119, -0.0442], "top_k": 10},
      "keyword": {"query": "refund policy", "top_k": 10}
    }
  }'

{
  "vector":  {"hits": [{"id": "chunk-123", "score": 0.98, "props": {"text": "..."}}], "server_us": 412},
  "keyword": {"hits": [{"id": "chunk-123", "score": 14.2, "props": {"text": "..."}}], "mode": "and", "server_us": 200}
}

Zweige liefern unabhängige gerankte Listen, damit du die Fusion (RRF oder deine eigene) clientseitig steuerst – dieselbe Architektur, die auch Conares eigene Memory-Plane nutzt.

Du brauchst Vektoren? POST /api/v1/embeddings auf der Embeddings-API liefert einheitsnormierte 1024-dimensionale Vektoren, bereit zum Speichern.

Weiter: die vollständige Search-Referenz, Writes & Bulk-Ingest oder Namespaces & Keys.

ConareDB Search

⌘I

Erste Schritte

Referenz

Anleitungen