Démarrage rapide ConareDB

Obtenez une clé

Provisionnez une clé sk-conare-... depuis la console ConareDB. Les clés sont limitées à votre préfixe de namespace avec les permissions read/write, affichées une seule fois et envoyées sous forme de jeton Bearer :

export CONAREDB_API_KEY='sk-conare-...'

Écrire des lignes

Les namespaces sont créés à la première écriture — pas de schéma, pas de cérémonie. Chaque ligne est un nœud avec un id externe, des propriétés et un vecteur optionnel. La dimension du vecteur est fixée par la première écriture vectorisée et validée à toutes les suivantes.

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 est un remplacement complet de ligne indexé sur id — réécrivez le même id et l’ancienne ligne (et son vecteur) est remplacée, pas fusionnée.

Recherche

Une seule requête exécute jusqu’à trois branches classées — ANN vectoriel, mots-clés BM25 et chronologique — sur le même ensemble de lignes filtré :

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}
}

Les branches renvoient des listes classées indépendantes afin que vous contrôliez la fusion (RRF ou la vôtre) côté client — la même architecture qu’utilise le plan mémoire de Conare.

Besoin de vecteurs ? POST /api/v1/embeddings sur l’API Embeddings renvoie des vecteurs de dimension 1024 normalisés à l’unité. Utilisez input_type: "document" pour les lignes stockées et input_type: "query" pour la branche vectorielle qui les recherche.

Ensuite : la référence complète de la recherche, les écritures et ingestion en masse, ou les namespaces et clés.

Démarrer

Référence

Guides

Démarrage rapide ConareDB