1. reranker重排序模型（硅基流动）调用示例

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import requests
from typing import Dict, List


def call_rerank_api(query: str, documents: List[str]) -> Dict:
    """调用重排序API核心接口"""
    url = "https://api.siliconflow.cn/v1/rerank"
    payload = {
        "query": query,
        "documents": documents,
        "return_documents": False,
        "max_chunks_per_doc": 1024,
        "overlap_tokens": 80,
        "model": "netease-youdao/bce-reranker-base_v1"
    }
    headers = {
        "Authorization": "换成自己的***************************密钥",
        "Content-Type": "application/json"
    }

    try:
        print(f"\n[DEBUG] 正在请求API：{url}")  # 显示请求目标[7](@ref)
        response = requests.post(url, json=payload, headers=headers, timeout=30)
        response.raise_for_status()

        # 输出原始响应状态码
        print(f"[INFO] 响应状态码：{response.status_code}")  # 状态码显示[4](@ref)

        return response.json()
    except requests.exceptions.RequestException as e:
        print(f"\n[ERROR] API调用异常：{str(e)}")  # 错误信息格式化输出[6](@ref)
        return {"error": "API调用失败"}


if __name__ == "__main__":
    # 输出输入参数
    print("=" * 40)
    print("正在处理重排序请求：")
    print(f"查询词：{'Apple'}")
    print(f"文档列表：{['apple', 'banana', 'fruit', 'vegetable']}")  # 多对象输出[1](@ref)
    print("-" * 40)

    result = call_rerank_api(
        query="Apple",
        documents=["apple", "banana", "fruit", "vegetable"]
    )

    # 结构化输出结果
    print("\n重排序结果：")
    print(f"状态：{'成功' if 'error' not in result else '失败'}")  # 条件表达式输出[4](@ref)
    if 'results' in result:
        for i, score_dict in enumerate(result['results'], 1):
            try:
                # 根据网页[6]的字典遍历规范，明确提取score键
                score = score_dict['relevance_score']
                print(f"文档{i}得分：{score:.4f}")
            except KeyError:
                print(f"文档{i}缺少score字段")
            except TypeError:
                print(f"文档{i}的score值类型异常")
    print("=" * 40)

• ​​文档1（"apple"）​​：0.6406 → ​​强相关​​
  • 完全匹配查询词，得分显著高于其他文档，符合预期。
• ​​文档2（"banana"）​​：0.4674 → ​​弱相关​​
  • 属于水果类别，但与Apple无直接关联，得分中等。
• ​​文档3（"fruit"）​​：0.4422 → ​​弱相关​​
  • 作为上位词（Apple属于fruit的子类），相关性略低于具体实例。
• ​​文档4（"vegetable"）​​：0.4244 → ​​几乎无关​​

  • 属于不同类别，得分最低但未归零，可能因模型对语义泛化的容忍有

有log和守护进程，监控啥的，要写一个接口的话 

2.reranker模型启动调用接口形式 

有道的开源BCEmbedding包含嵌入和reranker模型

BCEmbedding/README_zh.md at 9b424f8c1637eaa4819c2ec84b03601d04f2b586 · netease-youdao/BCEmbedding

 LangChain框架学习总结_langchain学习-CSDN博客

写两个py文件，一个负责调用接口，一个负责启动服务

2.1服务端

1确保客户端的request的传参正确，对相应的字段进行验证和调用

logger.info

2字段正确

这里对json的字段进行处理，拼接之类的

3返回结果正确

且status等于200

2.2客户端

1.客户端先确认reranker前原始输入，输出数据类型，同时把涉及的相关的类型确认logger.info

2.确认启动模型调用的地方，以及相关的方法，以及调用的库，进行剥离

两个logger.info可以确认位置

3.加载url、paylaod、content-type

4.确保传入参数可以到服务端

杂七杂八的知识

 1.windows注册表和pycharm使用

这里主要设置了下，一个文件夹就可以直接右键pycharm打开

2.git的凭据管理器

这里是git的本机密码平据跟gitlab一致即可，然后就可以 git clone

3.linux终端指令查询（history指令）

用于看别人的指令，或者看操作

将最近200条指令存到data/a.txt中

history 200 > /data/a.txt

   1.from .bce_rerank import BCERerank跨模块继承

   2.Embedding和Reranker集成常用RAG框架

#### 1. 使用 `langchain`#### 2. 使用 `llama_index`

4.run_in_threadpool是用于将同步函数转换为异步执行的线程池适配器

自动管理线程池的创建和回收，典型实现如FastAPI的run_in_threadpool或asyncio的loop.run_in_executor()

5.http 状态码422 请求内容格式正确，但语义有误，导致无法处理。

这部分有sequence、dict等数据返回类型，没细看

6.一个搜索参数设置问题检索不到文档，调整参数设置即可

7.调用虚拟环境比如langchain-document的类，自己需要拓展之类的

这里需要确认下源码