Erste Schritte mit generativer KI

Auf dieser Seite erfahren Sie, wie Sie generative KI-Funktionen in Ihrer App implementieren. Es werden die Funktionen und Integrationen für Firestore beschrieben, die generative KI verwenden.

Kurzanleitung für die Vektorsuche mit Cloud Firestore

Für die Entwicklung innovativer KI-gestützter Lösungen für Anwendungsfälle wie Produktempfehlungen und Chatbots ist oft eine Vektorsuche erforderlich. Sie können die Vektorsuche für Firestore-Daten ausführen, ohne Daten in eine andere Vektorsuchlösung kopieren zu müssen. So bleiben Betriebsabläufe einfach und effizient.

Der Kernworkflow für die Vektorsuche in Cloud Firestore besteht aus vier Schritten.

Weitere Informationen zur Vektorsuche finden Sie in unserem Blogpost

Generieren Sie Vektoreinbettungen

Der erste Schritt bei der Verwendung der Vektorsuche ist das Generieren von Vektoreinbettungen. Einbettungen sind Darstellungen verschiedener Arten von Daten wie Text, Bilder 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

Als Nächstes erstellen Sie einen Firestore-KNN-Vektorindex, in dem die Vektoreinbettungen gespeichert werden. Während der Vorschau müssen Sie den Index mit dem gcloud-Befehlszeilentool erstellen.

Nachdem Sie alle Vektoreinbettungen hinzugefügt und den Vektorindex erstellt haben, können Sie die Suche ausführen. Dazu verwenden Sie den Aufruf find_nearest für eine Sammlungsreferenz, um die Vektoreinbettung der Abfrage zu übergeben, mit der die gespeicherten Einbettungen verglichen werden sollen, und um die gewünschte Distanzfunktion anzugeben.

Weitere Informationen zum Workflow und zu Anwendungsfällen finden Sie in unserem Blogpost.

Zusammenfassung:Vektoreinbettungen speichern und abfragen.

Anwendungsfall:Diese Funktion wird von den anderen Tools und Funktionen verwendet.

Anleitung zur Vektorsuche

Lösung: Erweiterung für die Vektorsuche mit Firebase

Zusammenfassung:Mit der Firebase-Erweiterung können Sie Ihre Firestore-Dokumente automatisch einbetten und mit der Vektorsuche abfragen.

Anwendungsfall:Automatische Vektorsuche in Ihren Firebase-Projekten durchführen.

Beschreibung der Erweiterung ansehen

Lösung: LangChain-Integrationen

Zusammenfassung:Firestore als Vektorspeicher, Dokumentladeprogramm oder Quelle für den Chat-Nachrichtenverlauf für LangChain verwenden.

Anwendungsfall:Generative KI-Anwendungen oder RAG-Workflows (Retrieval Augmented Generation) erstellen.

Anleitung für LangChain

Lösung: Genkit

Zusammenfassung:Genkit ist ein Open-Source-Framework, mit dem Sie produktionsreife KI-gestützte Apps 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.

Genkit-Dokumentation ansehen