Auf dieser Seite finden Sie Informationen zum Implementieren von generativen KI-Funktionen in Ihrer App. Außerdem werden die Funktionen und Integrationen für Firestore beschrieben, die generative KI beinhalten.
Kurzanleitung für die Vektorsuche mit Cloud Firestore
Für die Erstellung innovativer KI-basierter Lösungen für Anwendungsfälle wie Produktempfehlungen und Chatbots ist häufig eine Vektorähnlichkeitssuche oder kurz Vektorsuche erforderlich. Sie können Vektorsuchen auf Firestore-Daten durchführen, ohne Daten in eine separate Vektorsuchlösung kopieren zu müssen. So bleiben die Abläufe einfach und effizient.
Der Hauptworkflow für die Vektorsuche in Cloud Firestore besteht aus vier Schritten.
Vektoreinbettungen generieren
Der erste Schritt bei der Verwendung der Vektorsuche ist das Generieren von Vektoreinbettungen. Einbettungen sind Darstellungen verschiedener Arten von Daten wie Text, Bildern und Videos, die semantische oder syntaktische Ähnlichkeiten zwischen den dargestellten Entitäten erfassen. Einbettungen können mit einem Dienst wie der Vertex AI Text Embeddings API berechnet werden.
Einbettungen in Firestore speichern
Nachdem die Einbettungen generiert wurden, können Sie sie mit einem der unterstützten SDKs in Firestore speichern. So sieht dieser Vorgang im NodeJS SDK aus:
const db = new Firestore();
let collectionRef = db.collection("beans");
await collectionRef.add({
name: "Kahawa coffee beans",
type: "arabica",
description: "Information about the Kahawa coffee beans.",
embedding_field: FieldValue.vector([0.1, 0.3, ..., 0.2]), // a vector with 768 dimensions
});
Vektorindex erstellen
Im nächsten Schritt erstellen Sie einen Firestore-KNN-Vektorindex, in dem die Vektoreinbettungen gespeichert werden. Während der Vorabversion müssen Sie den Index mit dem gcloud-Befehlszeilentool erstellen.
Vektorsuche ausführen
Nachdem Sie alle Vektoreinbettungen hinzugefügt und den Vektorindex erstellt haben, können Sie die Suche ausführen. Anschließend verwenden Sie den Aufruf find_nearest für eine Sammlungsreferenz, um die Abfragevektoreinbettung zu übergeben, mit der die gespeicherten Einbettungen verglichen werden sollen, und die gewünschte Distanzfunktion anzugeben.
Weitere Informationen zum Workflow und zu anderen Anwendungsfällen finden Sie in unserem Blogpost.
Lösung: Vektorsuche
Zusammenfassung: Vektoreinbettungen speichern und abfragen.
Anwendungsfall: Diese Funktion wird von den anderen Tools und Funktionen verwendet.
Lösung: LangChain-Integrationen
Zusammenfassung: Firestore als Vektorspeicher, Dokument-Ladeprogramm oder Chatnachrichtenverlaufsquelle für LangChain verwenden.
Anwendungsfall: Generative KI-Anwendungen oder RAG-Workflows (Retrieval Augmented Generation) erstellen.
Leitfaden für LangChain ansehen
Lösung: Genkit
Zusammenfassung: Genkit ist ein Open-Source-Framework, mit dem Sie produktionsreife KI-gestützte Anwendungen erstellen, bereitstellen und überwachen können.
Anwendungsfall: Mit Genkit und Cloud Firestore können Sie Apps erstellen, die benutzerdefinierte Inhalte generieren, semantische Suche verwenden, unstrukturierte Eingaben verarbeiten, Fragen mit Ihren Geschäftsdaten beantworten und vieles mehr.