КурсХакатон Apache DorisЗадания в своём темпе · начните в любое время · без регистрации

Трек A · Задание A1

Приложение гибридного поиска

Ключевые слова, смысл и фильтры в одном SQL-запросе. Создайте поисковую строку по документации Apache Doris.

60–120 мин
Для начинающих
Любой язык · CLI или веб
ИИ-инструменты приветствуются

Получить стартовый набор Запустите Doris

Нужна помощь? Спросите в #dev в Slack Apache Doris. Разработчики и другие участники помогут вам.

Подготовка

Что вы создаёте, почему Doris упрощает задачу и как запустить кластер.

Что вы создадите

Создайте поиск, который понимает и слова, и смысл.

Точные совпадения ключевых слов с ранжированием BM25, семантические соседи из векторного индекса и структурированные фильтры: одна таблица Doris и один SQL-запрос. Без Elasticsearch и отдельной векторной базы.

Небольшое поисковое приложение (CLI, блокнот или веб-страница на ваш выбор) по 299 разделам документации Apache Doris. Пользователь вводит вопрос, например "how do I store messy JSON?", выбирает категорию и переключается между тремя режимами:

Ключевые словаПолнотекстовые совпадения с ранжированием BM25.
ВекторБлижайшие соседи по сходству эмбеддингов.
ГибридныйПредварительный фильтр по ключевым словам и векторное ранжирование (дополнительно: Reciprocal Rank Fusion).

Каждый результат показывает страницу, раздел, оценку (ключевые слова) или расстояние (векторный и гибридный режимы), а также ссылку на документацию. Переключатель «Показать SQL» раскрывает точный запрос Doris.

ЭскизЧто вы создадите · схема интерфейса, не снимок экрана

Эскиз находится в верхней части панели кода

Почему это интересно на Doris

Одна таблица, два индекса. Инвертированный индекс текста и индекс HNSW ANN векторов находятся в одной таблице. Планировщик сначала фильтрует по инвертированному индексу, затем ранжирует оставшиеся записи с помощью ANN.
Ранжирование поисковой системы в SQL. score() даёт BM25, ту же функцию релевантности, что использует Lucene, внутри обычного SELECT.
Фильтры: обычный SQL. Категория, страница, IN списки, диапазоны записываются рядом с MATCH_ANY в том же WHERE условии.

Панель: строки индексов в определении таблицы

Перед началом

Docker запущен, образ Doris загружен. Около 1.9 GB, однократно. Загрузите заранее: образ большой. Подойдут Docker Desktop (macOS) и Docker Engine (Linux).
docker pull apache/doris:all-in-one-4.1.3
Doris запущен. Один контейнер запускает один FE и один BE. Он готов, когда docker ps показывает (healthy), примерно через 30 секунд после запуска. Об этом образе
docker run -d --name doris -p 9030:9030 -p 8030:8030 -p 8040:8040 apache/doris:all-in-one-4.1.3
Подключение работает. В контейнер включён клиент MySQL, отдельно устанавливать его не нужно. Подойдёт и любой другой клиент MySQL: 127.0.0.1:9030, пользователь root, без пароля.
docker exec -it doris mysql -uroot -h127.0.0.1 -P9030
Стартовый набор получен. Скачайте и распакуйте doris-hackathon-glasgow-2026.zip, затем выполняйте команды с этой страницы внутри папки doris-hackathon-glasgow-2026 . Его doris.sh объединяет эти команды: start, load, sql, stop.
curl -LO https://github.com/morningman/demo-env/releases/download/for-hackathon/doris-hackathon-glasgow-2026.zip && unzip doris-hackathon-glasgow-2026.zip && cd doris-hackathon-glasgow-2026
Инструменты готовы. Любой язык с драйвером MySQL (Python pymysql, Node mysql2, Go go-sql-driver/mysql, Java JDBC и другие). ИИ-помощники для программирования приветствуются.

Хост: 127.0.0.1
Порт: 9030
Пользователь: rootбез пароля
База данных: hackathon

Данные

hackathon.doc_chunks : 47 страниц основных функций документации Doris 4.x, по одной строке на раздел:

Таблицаhackathon.doc_chunks · sql

CREATE TABLE doc_chunks (  id          INT           NOT NULL,  page        VARCHAR(64)   NOT NULL,   -- doc slug, e.g. 'hybrid-search'  page_title  VARCHAR(128)  NOT NULL,  section     VARCHAR(256)  NOT NULL,  category    VARCHAR(32)   NOT NULL,   -- see the 7 values below  url         VARCHAR(256)  NOT NULL,  body        STRING        NOT NULL,  embedding   ARRAY<FLOAT>  NOT NULL,   -- 8-dim toy vector, unit length  INDEX idx_body (body) USING INVERTED PROPERTIES ("parser" = "english", "support_phrase" = "true"),  INDEX idx_category (category) USING INVERTED,  INDEX idx_emb (embedding) USING ANN PROPERTIES (    "index_type" = "hnsw", "metric_type" = "l2_distance", "dim" = "8"))DUPLICATE KEY(id)DISTRIBUTED BY HASH(id) BUCKETS 1PROPERTIES ("replication_num" = "1");

category значения (для раскрывающегося списка фильтра): search, ai, lakehouse, ingestion, performance, table-design, operations.

О векторах. Для полностью автономной работы в стартовый набор включена небольшая, только для английского, учебная модель эмбеддингов, a1/toy_embed.py и a1/toy_embed.js (вывод совпадает до каждой цифры). Она отображает текст в 8 заданных вручную смысловых измерений: поиск, векторы и ИИ, JSON, lakehouse, загрузка, производительность, модель данных, эксплуатация с помощью списков синонимов и нормализует результат до единичной длины. Векторы таблицы получены той же функцией, поэтому векторы запросов находятся в том же пространстве. Подход намеренно прост, но уже показывает пользу векторного поиска: "store messy nested records whose schema keeps changing" находит страницы VARIANT, не упоминая JSON или VARIANT. В дополнительных заданиях вы замените её настоящей моделью.

Панель → Таблица: полное определение таблицы

Разработка с ИИ

Работайте вместе с ИИ-агентом для программирования, это приветствуется. Поисковые и ИИ-функции Doris 4.x появились позже обучающих данных большинства моделей. Поэтому перед написанием SQL дайте агенту правильный контекст:

Вставьте контекстный промпт ниже в своего агента.
Укажите ему справочные страницы из этого задания и AGENTS.md из стартового набора. Многие агенты читают этот файл самостоятельно.
Перед встраиванием в код пусть агент выполнит каждый SQL-запрос на вашем работающем кластере.
Ещё лучше подключите Doris MCP Server (см. задание A2), чтобы агент сам изучал схему и тестировал запросы.

Контекстный промптвставьте в своего агента

I'm building a hybrid search app on Apache Doris 4.1 for a hackathon.Connection: MySQL protocol, host 127.0.0.1, port 9030, user root, empty password,database `hackathon`. Use a plain MySQL driver and raw SQL (no ORM).Table `doc_chunks` (299 rows): id, page, page_title, section, url,category (search / ai / lakehouse / ingestion / performance / table-design / operations),body (STRING, inverted index, english parser, phrase support),embedding (ARRAY<FLOAT> NOT NULL, 8 dims, unit length, HNSW index, l2_distance).Doris SQL rules — follow them exactly:1. Keyword search uses `body MATCH_ANY 'a b'` (OR), `MATCH_ALL` (AND), `MATCH_PHRASE`. Never LIKE.   The parser keeps stopwords, so pass keywords(text) from toy_embed, not the raw question.   Bind the user's text as a driver parameter.2. BM25 relevance is `score()`. It only works with a MATCH_* predicate in WHERE and   `ORDER BY score() DESC LIMIT n`, selected plain (`score() AS relevance`): no ROUND(),   no window function, no JOIN in that SELECT. Round, rank or join it in an outer query.3. Vector search: `ORDER BY l2_distance_approximate(embedding, <vector>) ASC LIMIT n`.   Pass the vector as a string and cast it: CAST(%s AS ARRAY<FLOAT>) with '[f1, ..., f8]'.   Never pass a list/array as a driver parameter.4. Hybrid = MATCH_* pre-filter + vector ORDER BY; show the distance, do not select score()   in that query. For fusion, rank two lists in subqueries and combine with RRF (k = 60);   a1/rrf.sql in the starter kit shows the pattern.5. Query vectors come from toy_embed(text) in a1/toy_embed.py (toyEmbed in a1/toy_embed.js).   Do not invent embeddings.Build: a CLI (or small web page) with keyword / vector / hybrid modes, a category filter,and a "show SQL" option. Run every SQL statement against the live cluster first.

Типичные ловушки Doris для ИИ-агента

Trap	What to do instead
Использование `LIKE '%term%'` для текстового поиска	`col MATCH_ANY 'a b'` (OR), `MATCH_ALL` (AND), `MATCH_PHRASE 'a b'` . Они используют инвертированный индекс
Вызов `score()` в произвольном запросе	`score()` требует `MATCH_*` в качестве предиката в `WHERE` и `ORDER BY score() DESC LIMIT n`; иначе Doris отклонит запрос
Округление, соединение или ранжирование `score()` в том же запросе	Оставьте `score() AS relevance` без изменений в запросе к одной таблице. Округляйте, соединяйте или применяйте `ROW_NUMBER()` во внешнем запросе, используя подзапрос вместо `WITH` CTE
Сортировка по BM25 и векторному расстоянию в одном `ORDER BY`, либо выбор `score()` в запросе с ранжированием по векторам	Не поддерживается. Гибридный поиск: предварительный фильтр `MATCH_*` плюс векторный `ORDER BY`, с выводом расстояния; либо объединение двух ранжированных списков (RRF)
Передача вектора запроса как параметра драйвера	Список превращается в `(…)` в pymysql и в 8 отдельных аргументов в mysql2. Передайте строку `'[0.1, …]'` и напишите `CAST(%s AS ARRAY<FLOAT>)`, либо вставьте литерал напрямую
Поиск косинусной метрики ANN	Метрики ANN: `l2_distance` и `inner_product`. Нормализуйте векторы до единичной длины: возрастание расстояния L2 даёт тот же порядок, что и убывание косинусного сходства

Реализуйте

5 этапов, M0 → M4. Панель следует за текущим шагом.

M0
Этап 05 мин
Загрузите данные
Из папки стартового набора:
M0 · Загрузка данныхbash
```
docker exec -i doris mysql -uroot -h127.0.0.1 -P9030 < seed/a1_doc_chunks.sql
```
Проверка
Загрузка завершается выводом количества по категориям: 7 категорий, 299 разделов всего.
M1
Этап 115 мин
Поиск по ключевым словам с BM25
Откройте оболочку SQL (./doris.sh sql, либо командой docker exec выше) и выполните:
M1 · Поиск по ключевым словам с BM25sql
```
USE hackathon;SELECT page_title, section, score() AS relevanceFROM doc_chunksWHERE body MATCH_ANY 'vector index recall'ORDER BY relevance DESCLIMIT 10;
```
Затем попробуйте MATCH_ALL (должны присутствовать все слова) и MATCH_PHRASE 'inverted index' (рядом и по порядку). Соедините поле ввода → SQL → список результатов. Передавайте текст пользователя как параметр драйвера (MATCH_ANY %s), а не вставляйте в SQL: первая же одинарная кавычка нарушит запрос. a1/starter.py и a1/starter.js делают именно это.
Ввели целый вопрос? Парсер english сохраняет стоп-слова, поэтому 'how do I …' совпадает с третью таблицы. Передайте вместо этого keywords(text) из учебной модели: она удаляет стоп-слова, а также apache и doris, встречающиеся почти в каждом разделе.
Проверка
Лучшие результаты для vector index recall относятся к страницам Vector Index и Hybrid Search; первый: How does the Apache Doris vector index work?
M2
Этап 210 мин
Добавьте фильтры
M2 · Добавление фильтровsql
```
SELECT page_title, section, category, score() AS relevanceFROM doc_chunksWHERE body MATCH_ANY 'vector index recall'  AND category = 'search'ORDER BY relevance DESCLIMIT 10;
```
Добавьте выбор категории через раскрывающийся список или флаг CLI (7 значений указаны в разделе «Данные»). Дополнительные условия: обычный SQL: category IN (…), page = ….
Проверка
Разделы Vector Index исчезают, эта страница относится к категории ai , а Hybrid Search выходит на первое место.
M3
Этап 315 мин
Векторный поиск
Получите эмбеддинг вопроса учебной моделью из кода или командной строки:
M3 · Получение эмбеддинга вопросаpython
```
from toy_embed import toy_embed, to_sql_arrayvec = to_sql_array(toy_embed("store messy nested records whose schema keeps changing"))# '[0.005740, 0.005740, 0.999885, ...]'  ·  CLI: python a1/toy_embed.py "..."
```
M3 · Векторный поискsql
```
SELECT page_title, section,       l2_distance_approximate(embedding,         [0.005740, 0.005740, 0.999885, 0.005740, 0.005740, 0.005740, 0.005740, 0.005740]) AS distFROM doc_chunksORDER BY dist ASCLIMIT 10;
```
В коде оставьте SQL неизменным и передайте вектор строкой как параметр: l2_distance_approximate(embedding, CAST(%s AS ARRAY<FLOAT>)). Список Python или массив JavaScript в качестве параметра не подойдут.
Проверка
Первые шесть результатов относятся к VARIANT, хотя вопрос не содержит ни JSON, ни VARIANT. Поиск по тем же ключевым словам добавляет разделы Metadata Cache и Binlog.
M4
Этап 420 мин
Гибридный
Вопрос: "stream kafka changes into doris exactly once". Вектор: учебный эмбеддинг вопроса; фильтр оставляет только разделы, содержащие kafka:
M4 · Гибридный поискsql
```
SELECT page_title, section,       l2_distance_approximate(embedding, [0.007020, 0.007020, 0.007020, 0.007020, 0.999827, 0.007020, 0.007020, 0.007020]) AS distFROM doc_chunksWHERE body MATCH_ANY 'kafka'                     -- keyword pre-filter (inverted index)  AND category IN ('ingestion', 'lakehouse')     -- structured filterORDER BY dist ASC                                -- vector ranking (ANN)LIMIT 10;
```
- L4WHERE body MATCH_ANY 'kafka'предварительный фильтр по ключевым словам (инвертированный индекс)
- L5AND category IN ('ingestion', 'lakehouse')структурированный фильтр
- L6ORDER BY dist ASCвекторное ранжирование (ANN)
В приложении один ввод используется для обеих частей: keywords(text) для MATCH_ANY, toy_embed(text) для вектора. MATCH_ANY для нескольких слов даёт мягкий фильтр; для строгого условия предложите поле обязательных слов или MATCH_ALL . Не выбирайте score() здесь: показывайте расстояние.
Добавьте переключатель режима (ключевые слова / векторы / гибридный) и Показать SQL . Сравните три списка для одного вопроса: где и почему они расходятся?
Проверка
Каждый результат упоминает Kafka, первым идёт How does the Apache Doris Kafka and CDC integration work? Только векторный режим ставит Pipeline Execution Engine › Overview на первое место для того же вопроса.

Завершите работу

Пройдите проверку, покажите результат и получите значок.

Критерии готовности

Ваш контрольный список

Пользователь может ввести произвольный текстовый запрос (аргумент CLI, промпт или поле ввода).
Работают три режима: ключевые слова (BM25 через score()), векторный (ANN), гибридный (предварительный фильтр по ключевым словам + векторное ранжирование).
Есть хотя бы один структурированный фильтр (категория).
Результаты показывают страницу, раздел и оценку либо расстояние; выполненный SQL можно просмотреть.
Работа отправлена через pull request: папка с вашим GitHub ID, кодом и README (запуск и один снимок экрана).

Отправьте работу и получите значок

Участвуйте → отправьте работу → получите значок.

Поместите свою работу в папку с именем вашего GitHub ID: код и README с описанием, инструкцией запуска, одним снимком экрана или GIF и перечнем использованных функций Doris.
Откройте pull request и добавьте её в morningman/demo-env как doris-hackathon-glasgow-2026/<your-github-id>/. Сделайте fork и push или используйте в GitHub Add file → Upload files. Больше ничего заполнять не нужно.
Поделитесь результатом в #dev в Slack Apache Doris: ссылкой на pull request или репозиторий и снимком экрана либо коротким демо. Вопросы, отправка работ и выдача значков происходят там.

Каждый участник задания получает значок участника Apache Doris: принятый pull request в Doris не требуется. Срока нет, работайте столько, сколько нужно. Можно участвовать командой, но это не обязательно. Укажите GitHub ID каждого участника в README.

О значке участника

Дополнительные цели

Reciprocal Rank Fusion. Объедините списки BM25 и векторного поиска с помощью 1/(60 + rank) в одном запросе: a1/rrf.sql из стартового набора ранжирует каждый список с помощью ROW_NUMBER() на один уровень выше обычного score() запроса и объединяет их через FULL OUTER JOIN. Страница RRF разбирает тот же шаблон на примере из четырёх строк.
Настоящие эмбеддинги с EMBED() (с вашим API-ключом): создайте ресурс ИИ и doc_chunks_v2 с параметром модели dim, заполните через INSERT INTO doc_chunks_v2 SELECT …, EMBED(body) FROM doc_chunks (векторный столбец имеет тип NOT NULL, поэтому вставляйте, а не обновляйте) и получите эмбеддинг запроса тоже в SQL. См. Эмбеддинги.
Поиск по мере ввода вместе с MATCH_PHRASE_PREFIX.
Подсветка совпавших слов в результатах (Doris возвращает оценки, а не подсветку; отрисуйте её в приложении).
Индикатор задержки: покажите время каждого режима в миллисекундах.

Устранение неполадок и справочные материалы

Symptom	Fix
`docker: command not found` в macOS	Запустите Docker Desktop. Если он уже работает, создайте ссылку на CLI: `sudo ln -s /Applications/Docker.app/Contents/Resources/bin/docker /usr/local/bin/docker`
`error getting credentials` при загрузке образов	Удалите поле `credsStore` из `~/.docker/config.json` (только для локальной разработки)
`port is already allocated`	Порты 9030, 8030 или 8040 заняты, часто другим Doris. Проверьте работающие контейнеры (`docker ps`), либо опубликуйте другие порты хоста, например `-p 19030:9030`, и подключайтесь к 19030
`The container name "/doris" is already in use`	Вы уже запускали его раньше: `docker start doris`. Чтобы начать заново, `docker rm -f doris` (данные будут удалены)
Контейнер завершается или не переходит в состояние `(healthy)`	Прочитайте `docker logs doris`. Обычно причина в памяти: выделите Docker Desktop не менее 6 GB (Settings → Resources). На Apple Silicon не добавляйте `--platform linux/amd64`
`permission denied: ./doris.sh`	При распаковке потерялось право на выполнение: `chmod +x doris.sh`, либо выполните `bash doris.sh start`
`Current database is not set`	Выполните `USE hackathon;` сначала или подключитесь с помощью `-Dhackathon`
`score() function requires WHERE clause with MATCH function, ORDER BY and LIMIT`	Добавьте `MATCH_*` предикат, `ORDER BY score() DESC` и `LIMIT`, и оставьте `score()` без обёртки (см. ловушки выше)
`Ann topn query vector cannot be empty`	Векторный литерал пуст или остался шаблоном: вставьте вывод `python a1/toy_embed.py "…"`
`Can not found function 'l2_distance_approximate' which has 9 arity`	Драйвер развернул параметр-массив в 8 значений: передайте вектор строкой через `CAST(? AS ARRAY<FLOAT>)`
Если не получается больше 10 минут	Напишите в `#dev` в Slack Apache Doris

Справочные материалы

Гибридный поиск BM25 Полнотекстовый поиск Векторный индекс Reciprocal Rank Fusion Эмбеддинги

ЭскизЧто вы создадите · схема интерфейса, не снимок экрана

Запустите Doristerminal

docker pull apache/doris:all-in-one-4.1.3   # 1.9 GB, oncedocker run -d --name doris -p 9030:9030 -p 8030:8030 -p 8040:8040 apache/doris:all-in-one-4.1.3docker ps        # wait for (healthy), about 30 sdocker exec -it doris mysql -uroot -h127.0.0.1 -P9030

Хост: 127.0.0.1
Порт: 9030
Пользователь: rootбез пароля
База данных: hackathon

Стартовый наборскачатьdoris-hackathon-glasgow-2026.zip

Маршрут60–120 мин · M0 → M4 → готово

M0Загрузите данные5 мин
M1Поиск по ключевым словам15 мин
M2Добавьте фильтры10 мин
M3Векторный поиск15 мин
M4Гибридный20 мин
DoDГотово→ отправить

Таблицаhackathon.doc_chunks · sql

CREATE TABLE doc_chunks (  id          INT           NOT NULL,  page        VARCHAR(64)   NOT NULL,   -- doc slug, e.g. 'hybrid-search'  page_title  VARCHAR(128)  NOT NULL,  section     VARCHAR(256)  NOT NULL,  category    VARCHAR(32)   NOT NULL,   -- see the 7 values below  url         VARCHAR(256)  NOT NULL,  body        STRING        NOT NULL,  embedding   ARRAY<FLOAT>  NOT NULL,   -- 8-dim toy vector, unit length  INDEX idx_body (body) USING INVERTED PROPERTIES ("parser" = "english", "support_phrase" = "true"),  INDEX idx_category (category) USING INVERTED,  INDEX idx_emb (embedding) USING ANN PROPERTIES (    "index_type" = "hnsw", "metric_type" = "l2_distance", "dim" = "8"))DUPLICATE KEY(id)DISTRIBUTED BY HASH(id) BUCKETS 1PROPERTIES ("replication_num" = "1");

M0 · Загрузка данныхbash

docker exec -i doris mysql -uroot -h127.0.0.1 -P9030 < seed/a1_doc_chunks.sql

M1 · Поиск по ключевым словам с BM25sql

USE hackathon;SELECT page_title, section, score() AS relevanceFROM doc_chunksWHERE body MATCH_ANY 'vector index recall'ORDER BY relevance DESCLIMIT 10;

M2 · Добавление фильтровsql

SELECT page_title, section, category, score() AS relevanceFROM doc_chunksWHERE body MATCH_ANY 'vector index recall'  AND category = 'search'ORDER BY relevance DESCLIMIT 10;

M3 · Получение эмбеддинга вопросаpython

from toy_embed import toy_embed, to_sql_arrayvec = to_sql_array(toy_embed("store messy nested records whose schema keeps changing"))# '[0.005740, 0.005740, 0.999885, ...]'  ·  CLI: python a1/toy_embed.py "..."

M3 · Векторный поискsql

SELECT page_title, section,       l2_distance_approximate(embedding,         [0.005740, 0.005740, 0.999885, 0.005740, 0.005740, 0.005740, 0.005740, 0.005740]) AS distFROM doc_chunksORDER BY dist ASCLIMIT 10;

M4 · Гибридный поискsql

SELECT page_title, section,       l2_distance_approximate(embedding, [0.007020, 0.007020, 0.007020, 0.007020, 0.999827, 0.007020, 0.007020, 0.007020]) AS distFROM doc_chunksWHERE body MATCH_ANY 'kafka'                     -- keyword pre-filter (inverted index)  AND category IN ('ingestion', 'lakehouse')     -- structured filterORDER BY dist ASC                                -- vector ranking (ANN)LIMIT 10;

Контекстный промптвставьте в своего агента

I'm building a hybrid search app on Apache Doris 4.1 for a hackathon.Connection: MySQL protocol, host 127.0.0.1, port 9030, user root, empty password,database `hackathon`. Use a plain MySQL driver and raw SQL (no ORM).Table `doc_chunks` (299 rows): id, page, page_title, section, url,category (search / ai / lakehouse / ingestion / performance / table-design / operations),body (STRING, inverted index, english parser, phrase support),embedding (ARRAY<FLOAT> NOT NULL, 8 dims, unit length, HNSW index, l2_distance).Doris SQL rules — follow them exactly:1. Keyword search uses `body MATCH_ANY 'a b'` (OR), `MATCH_ALL` (AND), `MATCH_PHRASE`. Never LIKE.   The parser keeps stopwords, so pass keywords(text) from toy_embed, not the raw question.   Bind the user's text as a driver parameter.2. BM25 relevance is `score()`. It only works with a MATCH_* predicate in WHERE and   `ORDER BY score() DESC LIMIT n`, selected plain (`score() AS relevance`): no ROUND(),   no window function, no JOIN in that SELECT. Round, rank or join it in an outer query.3. Vector search: `ORDER BY l2_distance_approximate(embedding, <vector>) ASC LIMIT n`.   Pass the vector as a string and cast it: CAST(%s AS ARRAY<FLOAT>) with '[f1, ..., f8]'.   Never pass a list/array as a driver parameter.4. Hybrid = MATCH_* pre-filter + vector ORDER BY; show the distance, do not select score()   in that query. For fusion, rank two lists in subqueries and combine with RRF (k = 60);   a1/rrf.sql in the starter kit shows the pattern.5. Query vectors come from toy_embed(text) in a1/toy_embed.py (toyEmbed in a1/toy_embed.js).   Do not invent embeddings.Build: a CLI (or small web page) with keyword / vector / hybrid modes, a category filter,and a "show SQL" option. Run every SQL statement against the live cluster first.

Хакатон Apache Doris

Все задания

Вернуться к курсу