{"title":"Semantisk sökning (inbäddningar)","slug":"semantic-search","category":"concepts","summary":"Begreppslig minnessökning med vektorinbäddningar — hitta efter betydelse, inte bara nyckelord.","audience":["human","llm"],"tags":["concept","semantic","embeddings","vector-search"],"difficulty":"advanced","updated":"2026-06-27","word_count":500,"read_minutes":3,"lang":"sv","translated":true,"requested_lang":"sv","content_markdown":"\n# Semantisk sökning (inbäddningar)\n\nSynapse stöder semantisk sökning med vektorinbäddningar. Till skillnad från FTS5\n(nyckelordsmatchning) hittar semantisk sökning minnen efter **betydelse** — även\nom inga nyckelord matchar.\n\n## Hur det fungerar\n\n```\n1. Memory stored → embedding generated → vector stored\n2. Search query → embedding generated → vector compared\n3. Cosine similarity → top N results returned\n```\n\n### Vad är inbäddningar?\n\nInbäddningar är numeriska vektorrepresentationer av text. Text med liknande\nbetydelse har liknande vektorer. Synapse genererar en vektor (t.ex. 1536\ndimensioner) för varje minnes innehåll.\n\n### Cosine similarity\n\nFör att hitta semantiskt liknande minnen beräknar Synapse cosinuslikheten\nmellan frågevektorn och varje minnesvektor. Högre likhet = mer relevant.\n\n## När semantisk sökning ska användas\n\n### Använd semantisk sökning när:\n\n- Ni vill ha \"minnen om X\" där X beskrivs annorlunda än lagrat\n- FTS5 returnerar inga resultat (ingen nyckelordsmatchning)\n- Ni vill ha begreppslig gruppering (t.ex. alla \"deployment\"-minnen, även om vissa säger \"release\")\n- Frågan är en fråga: \"hur hanterar vi autentisering?\"\n\n### Använd FTS5 när:\n\n- Ni känner till exakta nyckelord\n- Ni behöver boolesk logik (AND, OR, NOT)\n- Ni behöver svar under en millisekund\n- Ni vill ha frasmatchning\n\n## Endpoint\n\n### GET /memory/semantic-search\n\n```bash\ncurl -H \"Authorization: Bearer YOUR_MIND_KEY\" \\\n \"https://synapse.schaefer.zone/memory/semantic-search?q=container+orchestration\"\n```\n\nSvar:\n\n```json\n{\n \"results\": [\n {\n \"id\": \"mem_001\",\n \"category\": \"project\",\n \"key\": \"project_synapse_deployment\",\n \"content\": \"Synapse deployed using Docker Swarm on vps1...\",\n \"tags\": [\"docker\", \"swarm\", \"deployment\"],\n \"similarity\": 0.89\n },\n {\n \"id\": \"mem_042\",\n \"category\": \"fact\",\n \"key\": \"kubernetes_cluster\",\n \"content\": \"We use Kubernetes for production orchestration...\",\n \"tags\": [\"kubernetes\", \"orchestration\"],\n \"similarity\": 0.84\n }\n ]\n}\n```\n\n## Exempel\n\n### Hitta driftsättningsminnen\n\n```bash\n# FTS5 might miss some — semantic catches all\ncurl .../memory/semantic-search?q=deployment+process\n```\n\nReturnerar minnen om \"deployment\", \"release\", \"publishing\", \"rolling out\" etc.\n\n### Hitta autentiseringsmönster\n\n```bash\ncurl .../memory/semantic-search?q=how+do+users+log+in\n```\n\nReturnerar minnen om inloggning, auth, JWT, sessionshantering, OAuth etc.\n\n### Hitta liknande minnen\n\n```bash\n# Find memories similar to a specific one\ncurl .../memory/related/mem_001\n```\n\nAnvänder semantisk likhet (via gemensamma taggar OCH inbäddningsvektorer).\n\n## Inbäddningsgenerering\n\n### När genereras inbäddningar?\n\n- **Vid minneslagring** — om inbäddningstjänst är konfigurerad genereras inbäddning synkront\n- **Batchgenerering** — `POST /memory/embed-batch` genererar inbäddningar för minnen som saknar dem\n- **Asynkrona uppdateringar** — när innehåll uppdateras regenereras inbäddningen\n\n### Inbäddningsleverantörer\n\nSynapse stöder konfigurerbara inbäddningsleverantörer:\n\n- **OpenAI** (`text-embedding-3-small`, `text-embedding-3-large`)\n- **Lokala modeller** (via Ollama eller liknande)\n- **Anpassade** (implementera inbäddningsgränssnittet)\n\nKonfigurera via miljövariabler:\n\n```bash\nEMBEDDINGS_PROVIDER=openai\nEMBEDDINGS_API_KEY=sk-...\nEMBEDDINGS_MODEL=text-embedding-3-small\n```\n\n### Batchgenerering\n\nFör minds med många minnen som saknar inbäddningar:\n\n```bash\n# Generate embeddings for up to 100 memories\ncurl -X POST https://synapse.schaefer.zone/memory/embed-batch \\\n -H \"Authorization: Bearer YOUR_MIND_KEY\" \\\n -H \"Content-Type: application/json\" \\\n -d '{\"limit\": 100}'\n\n# Check progress\ncurl -H \"Authorization: Bearer YOUR_MIND_KEY\" \\\n https://synapse.schaefer.zone/memory/embed-batch-status\n```\n\n## Prestanda\n\n| Åtgärd | Latens |\n|-----------|---------|\n| Generera inbäddning (OpenAI) | 100–200 ms |\n| Semantisk sökning (1k minnen) | 50–100 ms |\n| Semantisk sökning (10k minnen) | 200–500 ms |\n| Batchgenerering (100 minnen) | 10–20 s |\n\n> [!NOTE]\n> Semantisk sökning är långsammare än FTS5 på grund av vektorberäkning.\n> Använd FTS5 för kända nyckelord, semantisk för begreppsliga frågor.\n\n## Begränsningar\n\n### Kostnad för inbäddningar\n\nOm ni använder OpenAI kostar generering av inbäddningar pengar (~$0,02 per 1M\ntokens för text-embedding-3-small). För 10 000 minnen med i snitt 100 tokens\nvar blir det ~$0,02 — försumbart.\n\n### Kallstart\n\nMinnen som lagrats innan inbäddningar konfigurerades kommer inte att ha\ninbäddningar. Kör `POST /memory/embed-batch` för att fylla i.\n\n### Leverantörsberoende\n\nOm inbäddningsleverantören är nere misslyckas semantisk sökning graciöst\n(returnerar tomma resultat eller fel). FTS5 fungerar fortfarande.\n\n## När inbäddningar inte är tillgängliga\n\nOm inbäddningstjänst inte är konfigurerad:\n\n- `GET /memory/semantic-search` returnerar 503 Service Unavailable\n- `POST /memory` fungerar fortfarande (bara ingen inbäddning genererad)\n- FTS5-sökning fungerar fortfarande\n\n## Bästa praxis\n\n> [!TIP]\n> - **Använd semantisk för begreppsliga frågor** — \"hur hanterar vi X?\"\n> - **Använd FTS5 för specifika termer** — \"docker swarm\"\n> - **Fyll i inbäddningar regelbundet** — `POST /memory/embed-batch`\n> - **Övervaka leverantörshälsa** — semantisk sökning beror på den\n> - **Kombinera med taggar** — semantisk + taggfilter snävar in resultatet\n\n## Nästa steg\n\n- [FTS5-sökning](/docs/concepts/fts5-search)\n- [Memory API](/docs/api/memory)\n- [Arkitektur](/docs/concepts/architecture)\n","content_html":"

Semantisk sökning (inbäddningar)

\n

Synapse stöder semantisk sökning med vektorinbäddningar. Till skillnad från FTS5\n(nyckelordsmatchning) hittar semantisk sökning minnen efter betydelse — även\nom inga nyckelord matchar.

\n

Hur det fungerar

\n
1. Memory stored → embedding generated → vector stored\n2. Search query → embedding generated → vector compared\n3. Cosine similarity → top N results returned

Vad är inbäddningar?

\n

Inbäddningar är numeriska vektorrepresentationer av text. Text med liknande\nbetydelse har liknande vektorer. Synapse genererar en vektor (t.ex. 1536\ndimensioner) för varje minnes innehåll.

\n

Cosine similarity

\n

För att hitta semantiskt liknande minnen beräknar Synapse cosinuslikheten\nmellan frågevektorn och varje minnesvektor. Högre likhet = mer relevant.

\n

När semantisk sökning ska användas

\n

Använd semantisk sökning när:

\n\n

Använd FTS5 när:

\n\n

Endpoint

\n

GET /memory/semantic-search

\n
curl -H "Authorization: Bearer YOUR_MIND_KEY" \\\n     "https://synapse.schaefer.zone/memory/semantic-search?q=container+orchestration"

Svar:

\n
{\n  "results": [\n    {\n      "id": "mem_001",\n      "category": "project",\n      "key": "project_synapse_deployment",\n      "content": "Synapse deployed using Docker Swarm on vps1...",\n      "tags": ["docker", "swarm", "deployment"],\n      "similarity": 0.89\n    },\n    {\n      "id": "mem_042",\n      "category": "fact",\n      "key": "kubernetes_cluster",\n      "content": "We use Kubernetes for production orchestration...",\n      "tags": ["kubernetes", "orchestration"],\n      "similarity": 0.84\n    }\n  ]\n}

Exempel

\n

Hitta driftsättningsminnen

\n
# FTS5 might miss some — semantic catches all\ncurl .../memory/semantic-search?q=deployment+process

Returnerar minnen om "deployment", "release", "publishing", "rolling out" etc.

\n

Hitta autentiseringsmönster

\n
curl .../memory/semantic-search?q=how+do+users+log+in

Returnerar minnen om inloggning, auth, JWT, sessionshantering, OAuth etc.

\n

Hitta liknande minnen

\n
# Find memories similar to a specific one\ncurl .../memory/related/mem_001

Använder semantisk likhet (via gemensamma taggar OCH inbäddningsvektorer).

\n

Inbäddningsgenerering

\n

När genereras inbäddningar?

\n\n

Inbäddningsleverantörer

\n

Synapse stöder konfigurerbara inbäddningsleverantörer:

\n\n

Konfigurera via miljövariabler:

\n
EMBEDDINGS_PROVIDER=openai\nEMBEDDINGS_API_KEY=sk-...\nEMBEDDINGS_MODEL=text-embedding-3-small

Batchgenerering

\n

För minds med många minnen som saknar inbäddningar:

\n
# Generate embeddings for up to 100 memories\ncurl -X POST https://synapse.schaefer.zone/memory/embed-batch \\\n  -H "Authorization: Bearer YOUR_MIND_KEY" \\\n  -H "Content-Type: application/json" \\\n  -d '{"limit": 100}'\n\n# Check progress\ncurl -H "Authorization: Bearer YOUR_MIND_KEY" \\\n     https://synapse.schaefer.zone/memory/embed-batch-status

Prestanda

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
ÅtgärdLatens
Generera inbäddning (OpenAI)100–200 ms
Semantisk sökning (1k minnen)50–100 ms
Semantisk sökning (10k minnen)200–500 ms
Batchgenerering (100 minnen)10–20 s
\n
Semantisk sökning är långsammare än FTS5 på grund av vektorberäkning.\nAnvänd FTS5 för kända nyckelord, semantisk för begreppsliga frågor.

Begränsningar

\n

Kostnad för inbäddningar

\n

Om ni använder OpenAI kostar generering av inbäddningar pengar (~$0,02 per 1M\ntokens för text-embedding-3-small). För 10 000 minnen med i snitt 100 tokens\nvar blir det ~$0,02 — försumbart.

\n

Kallstart

\n

Minnen som lagrats innan inbäddningar konfigurerades kommer inte att ha\ninbäddningar. Kör POST /memory/embed-batch för att fylla i.

\n

Leverantörsberoende

\n

Om inbäddningsleverantören är nere misslyckas semantisk sökning graciöst\n(returnerar tomma resultat eller fel). FTS5 fungerar fortfarande.

\n

När inbäddningar inte är tillgängliga

\n

Om inbäddningstjänst inte är konfigurerad:

\n\n

Bästa praxis

\n

Nästa steg

\n\n","urls":{"html":"/docs/concepts/semantic-search","text":"/docs/concepts/semantic-search?format=text","json":"/docs/concepts/semantic-search?format=json","llm":"/docs/concepts/semantic-search?format=llm"},"translations_available":["en","zh","hi","es","fr","ar","pt","ru","ja","de","it","ko","nl","pl","tr","sv","vi","th","id","uk"]}