产品简介：重新定义检索与排名
Shaped 不仅仅是一个传统的向量存储库，它是一个端到端的相关性引擎，旨在解决传统 RAG（检索增强生成）堆栈中碎片化的问题。作为唯一拥有反馈循环的向量数据库，Shaped 能够理解“谁在提问”，并根据用户交互持续优化结果。它将检索、排名和学习统一在一个查询中，取代了由多个独立服务组成的复杂架构，从而显著降低延迟并提高相关性。
核心功能：统一的相关性引擎
Shaped 的核心优势在于其三层架构，将数据层、智能层和查询层紧密结合：
- 查询层：提供 ShapedQL 接口，支持 SQL 风格的查询语法。它能在小于 50 毫秒的延迟内完成实时检索与多阶段排名管道处理。
- 智能层：内置机器学习模型与动态向量嵌入。系统通过持续训练和用户及物品上下文分析，实现从静态匹配到动态理解的转变。
- 数据层：支持 30 多种原生连接器，涵盖 Snowflake、BigQuery 等数据仓库，以及 Kafka、Kinesis 等流式数据源。它统一了批量与实时数据模式，无需额外的 ETL 管道。
特色能力：混合搜索与个性化重排
与传统仅基于相似性匹配的向量库不同，Shaped 支持复杂的业务逻辑与个性化排序：
- 混合搜索：同时结合语义搜索与关键词搜索，确保既理解意图又匹配精确术语。
- 个性化重排：结果不仅基于内容相似度，还根据用户的点击率模型、历史行为及业务规则进行重排。
- 多样性控制：通过重排算法平衡探索与利用，避免推荐结果过于单一，提升用户发现新内容的机会。
工作方式：ShapedQL 查询示例
开发者可以通过单一的 ShapedQL 查询完成传统需要多次 API 调用才能完成的任务。以下是一个典型的查询逻辑：
- 检索：从语义索引和关键词索引中并行获取候选集。
- 过滤：应用硬性约束（如验证状态）和业务规则。
- 评分：结合 Colbert 模型得分与近期热度分数。
- 重排：根据多样性参数调整最终列表顺序。
这种“一次查询”的模式消除了重试循环和上下文丢失的问题，使 AI 代理能够更准确地获取信息。
适用人群与场景
Shaped 适用于需要高精度检索和个性化体验的各类应用场景：
| 应用场景 | 核心价值 |
|---|---|
| 个性化 Feed 流 | 根据用户实时行为动态调整内容展示，提升留存率。 |
| 电商搜索与发现 | 结合文本查询与用户购买历史，提供更相关的商品推荐。 |
| AI 代理检索 | 为 conversational AI 提供带有上下文记忆的准确检索，减少幻觉。 |
| 相似物品推荐 | 基于内容和行为相似性，在大规模数据集中快速找到相关项。 |
| 个性化营销 | 生成针对每个收件人动态调整的电子邮件内容。 |
使用建议与合规说明
为了最大化 Shaped 的效果，建议企业直接连接原始事件日志或数据仓库，利用其原生连接器减少数据搬运成本。在合规方面，Shaped 通过了 SOC 2 Type II 认证，并符合 GDPR、CCPA 和 HIPAA 标准，适合对数据安全有严格要求的企业使用。其服务承诺 99.95% 的正常运行时间 SLA，支持每秒 1000+ 次查询的高并发场景。
常见问题
Shaped 与传统向量数据库有何区别？
传统向量数据库通常只存储静态嵌入向量，缺乏对用户行为的理解。Shaped 引入了反馈循环，能够根据用户的点击、购买等交互行为持续更新排名模型。此外，Shaped 内置了混合搜索和多阶段重排功能，无需外部系统即可处理复杂的业务逻辑和个性化需求。
接入 Shaped 是否需要构建复杂的 ETL 管道？
不需要。Shaped 提供了 30 多种原生连接器，可以直接从 Snowflake、BigQuery、Postgres 等数据仓库或 Kafka、Kinesis 等流式平台 ingest 数据。它支持统一的数据模式，能够同时处理批量历史和实时事件数据，从而消除了维护独立 ETL 管道的需求。
Shaped 如何保证搜索结果的相关性和多样性？
Shaped 使用多阶段排名管道。首先通过混合搜索（语义+关键词）召回候选集，然后利用机器学习模型结合用户上下文进行评分。最后，通过重排算法引入多样性参数，平衡热门内容与长尾内容的展示，确保结果既符合用户兴趣又能带来新的发现。
数据统计
相关导航
