"Do czego służy komponent Wyszukiwanie w Pamięci?"

"Wyszukiwanie w Pamięci umożliwia Twojemu przepływowi pobieranie istotnych informacji z przechowywanej pamięci lub dokumentów na podstawie zapytań wejściowych, czyniąc Twoje rozwiązania AI bardziej kontekstowymi."

"Jak wybierane są dokumenty do zwrotu?"

"Pobiera dokumenty najlepiej pasujące do zapytania, z możliwością ograniczenia liczby wyników oraz kontroli formatu lub strategii wyjścia."

"Czy mogę kontrolować liczbę wyników lub typ treści?"

"Tak, możesz ustawić limit wyników, wybrać typy treści dokumentów do uwzględnienia oraz dostosować strategie łączenia fragmentów dokumentów."

"Jak Wyszukiwanie w Pamięci pomaga mojemu chatbotowi lub przepływowi pracy?"

"Pozwalając na dostęp do wcześniejszej wiedzy lub pamięci długoterminowej, Twój bot może udzielać lepiej poinformowanych, dokładniejszych i kontekstowo trafnych odpowiedzi."

"Czy Wyszukiwanie w Pamięci nadaje się do zaawansowanych zastosowań AI?"

"Jak najbardziej. Zostało zaprojektowane do integracji złożonych przepływów, gdzie odzyskiwanie kontekstu lub wiedzy z wcześniejszych danych jest kluczowe dla inteligentnej automatyzacji."

Wyszukiwanie w Pamięci

Komponent Wyszukiwanie w Pamięci pozwala Twojemu przepływowi pobierać informacje z przechowywanej pamięci w oparciu o zapytania użytkownika, wspierając kontekstowe i oparte na wiedzy przepływy pracy.

AI Memory Components Automation

Opis komponentu

Jak działa komponent Wyszukiwanie w Pamięci

The Search Memory component is designed to retrieve relevant information from your workflow’s memory storage, often referred to as “Long Term Memory”. It takes a user query and searches stored documents or knowledge resources, returning the most related content. This is particularly useful for AI workflows that need to reference previous information, retrieve supporting documents, or provide context-aware responses.

What Does the Component Do?

Purpose: The component searches through stored information in the workflow’s memory using a user-defined query and returns the most relevant pieces of information.
Use Case: Useful for chatbots, virtual assistants, or any AI process that requires access to previously stored knowledge or documents to provide informed, contextual answers.

Key Features

Flexible Retrieval: Allows you to specify the number of results, set a similarity threshold, and choose how information is aggregated from documents.
Customizable Output: You can control what sections/types of content (such as headings or paragraphs) are included in the results.
Integration with Tools: The retrieved documents can be formatted as messages, raw documents, or as tools for further use in the workflow.

Settings

Input Name	Type	Required	Description	Default Value
Title	str	No	Title of the block in the output.	Related resources
Result limit	int	Yes	Number of results to return.	3
From pointer	bool	Yes	If true, loads from the best matching point in the document; otherwise, loads all.	true
Hide resources	bool	No	If true, hides the retrieved resources from output.	false
max_tokens	int	No	Maximum number of tokens in the output text.	3000
strategy	str	Yes	Strategy for aggregating content: “Concat documents, fill from first up to tokens limit” or “Include equal size from each document”.	Include equal size from each documents
threshold	float	No	Similarity threshold for retrieved results (0 to 1).	0.8
tool_description	str	No	Description for the tool, used by agents to understand its function.	(empty)
tool_name	str	No	Name for the tool in the agent.	(empty)
use_content	multi-select	No	Which content types to export (e.g., H1-H6, Paragraph).	All (H1-H6, Paragraph)
verbose	bool	No	Whether to print verbose output for debugging or insights.	false

Inputs

Input Name	Type	Required	Description	Default Value
Lookup key	str	No	Key used to locate specific information in Long Term Memory.	(empty)
Input query	str	Yes	The search query to use in memory lookup.	(empty)

Outputs

The component provides multiple output formats to suit different needs:

Documents (Message): The retrieved information as a message, suitable for direct integration into conversational flows.
Raw Documents (Document): The unprocessed, raw content of the matched documents for further parsing or analysis.
Documents As Tool (Tool): The found documents formatted as a tool, enabling chaining or complex agent workflows.

Output Name	Type	Description
documents	Message	Retrieved content as message(s)
documents_raw	Document	Raw, unprocessed document content
documents_as_tool	Tool	Documents formatted for use as a tool in agent workflows

Why Use Search Memory?

Contextual AI: Enhance your AI’s responses by providing access to previously stored data, making interactions more informed and coherent.
Knowledge Management: Efficiently leverage existing documentation or user-provided information without manual searching.
Advanced Customization: Fine-tune retrieval strategies and output formats to fit your specific workflow requirements.

Example Scenarios

Conversational Agents: Retrieve past interactions or knowledge snippets to maintain context across conversations.
Research Assistants: Quickly surface relevant documents or passages from a large knowledge base in response to a query.
Automated Decision Making: Provide supporting evidence from stored memory to justify recommendations or actions.

Summary Table

Feature	Benefit
Query-based search	Finds the most relevant stored information for any user query
Output options	Choose between message, raw document, or tool formats
Custom retrieval	Control over number of results, similarity threshold, and content
Integrates with AI	Ideal for AI agents needing dynamic access to stored knowledge

This component is a versatile building block for any AI workflow that requires memory search, document retrieval, or contextual augmentation.

Najczęściej zadawane pytania

Do czego służy komponent Wyszukiwanie w Pamięci?: Wyszukiwanie w Pamięci umożliwia Twojemu przepływowi pobieranie istotnych informacji z przechowywanej pamięci lub dokumentów na podstawie zapytań wejściowych, czyniąc Twoje rozwiązania AI bardziej kontekstowymi.
Jak wybierane są dokumenty do zwrotu?: Pobiera dokumenty najlepiej pasujące do zapytania, z możliwością ograniczenia liczby wyników oraz kontroli formatu lub strategii wyjścia.
Czy mogę kontrolować liczbę wyników lub typ treści?: Tak, możesz ustawić limit wyników, wybrać typy treści dokumentów do uwzględnienia oraz dostosować strategie łączenia fragmentów dokumentów.
Jak Wyszukiwanie w Pamięci pomaga mojemu chatbotowi lub przepływowi pracy?: Pozwalając na dostęp do wcześniejszej wiedzy lub pamięci długoterminowej, Twój bot może udzielać lepiej poinformowanych, dokładniejszych i kontekstowo trafnych odpowiedzi.
Czy Wyszukiwanie w Pamięci nadaje się do zaawansowanych zastosowań AI?: Jak najbardziej. Zostało zaprojektowane do integracji złożonych przepływów, gdzie odzyskiwanie kontekstu lub wiedzy z wcześniejszych danych jest kluczowe dla inteligentnej automatyzacji.

Wypróbuj Wyszukiwanie w Pamięci FlowHunt

Wzmocnij swoje rozwiązania AI poprzez integrację wyszukiwania i pobierania z pamięci. Połącz się z długoterminową wiedzą i dostarczaj inteligentniejsze odpowiedzi.

Wypróbuj teraz Umów demo

Dowiedz się więcej

Dodaj do pamięci

Łatwo przechowuj ważne informacje w swoim workflow dzięki komponentowi Dodaj do pamięci. Bezproblemowo zapisuj dane lub dokumenty w pamięci długoterminowej, kat...

Jun 9, 2025 2 min czytania

Memory Automation +3

Wyszukiwanie w Dokumencie JSON

Komponent Wyszukiwanie w Dokumencie JSON umożliwia zaawansowane przeszukiwanie plików JSON za pomocą wyszukiwania tekstowego lub zaawansowanych wyrażeń zapytań....

Jun 9, 2025 3 min czytania

Data Automation +4

Wyszukiwanie e-maili Gmail

Komponent Wyszukiwanie e-maili pozwala automatycznie znajdować i pobierać wiadomości e-mail z Gmaila na podstawie określonych kryteriów. Obsługuje filtrowane wy...