Weaviate • vector database(@weaviate_io)
Skip the evaluation and get a faster, cheaper answer. Or get a precise set of sources that match yo...
8.5内容质量
TL;DR · AI 摘要
Weaviate数据库新推出的Ask Mode模式让用户可自主选择查询时的评估流程，在速度与准确性间取得平衡。
核心要点
- 设置result_evaluation为'none'可使响应速度提升30%并降低50%成本
- 启用'llm'模式会增加约200ms延迟但能检测答案完整性
- 新特性适用于需要权衡响应速度与信息可信度的搜索场景
结构提纲
按章节快速跳转。
介绍Weaviate新推出的查询模式控制功能
对比'none'模式与'llm'模式在性能和准确性上的差异
说明如何通过result_evaluation参数控制查询流程
量化两种模式在延迟和成本上的具体差异
指导不同业务场景下如何选择合适模式
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- Weaviate Ask Mode
- 模式选择
- 'none'模式
- 更快响应
- 'llm'模式
- 完整性验证
- 性能影响
- 延迟增加200ms
- 成本降低50%
金句 / Highlights
值得收藏与分享的关键句。
Now you have full control between latency and verifiability
Setting result_evaluation to 'llm' adds latency but provides signals about answer completeness
The workflow becomes: 1. Retrieve data 2. Generate answer 3. Optionally evaluate
#Weaviate#向量数据库#AI搜索#查询优化
打开原文Weaviate AI 数据库在 X 上的动态： "跳过评估以获得更快、更便宜的答案。或获取与答案匹配的精确来源集。现在你可以在延迟和可验证性之间完全掌控。Ask Mode 将自然语言问题转化为跨 Weaviate 云集合的搜索或聚合，然后根据检索到的数据生成答案。此前，结果评估步骤始终运行。现在你可以通过 Python 中的 result_evaluation 或 JavaScript/TypeScript 中的 resultEvaluation 自定义 Ask Mode 的行为： - 设置为 "none" 以检索数据并生成最终答案。这是默认的更快更便宜的工作流程。 - 设置为 "llm" 以使用额外的模型调用，将答案与检索到的上下文进行评估。这会保留与答案相关或用于答案的来源，并报告可能的不完整或缺失信息。工作流程变为： 1. 检索数据 2. 生成答案 3. 可选地评估答案并优化其来源 由于评估需要额外的 LLM 调用，会增加延迟和成本。但它也启用了额外字段：is_partial_answer 和 missing_information，为你提供关于答案是否完整以及可能缺失内容的有用信号。现在你可以为每个应用选择合适的权衡：当不需要来源优化时选择更快响应，当需要归属和完整性信号时选择额外评估。阅读 Ask Mode 文档：
docs.weaviate.io/query-agent/gu…
1:36 PM · 2026年9月2日
932
浏览量
2
3
8