Na tej stronie dowiesz się, jak zacząć wdrażać funkcje generatywnej AI w aplikacji. Opisuje ona funkcje i integracje z Firestore, które wykorzystują generatywną AI.
Szybki start z wyszukiwaniem wektorowym w Cloud Firestore
Tworzenie innowacyjnych rozwiązań opartych na AI do zastosowań takich jak rekomendacje dotyczące usług i chatboty często wymaga wyszukiwania podobieństwa wektorowego lub w skrócie wyszukiwania wektorowego. Możesz przeprowadzać wyszukiwanie wektorowe w danych Firestore bez konieczności kopiowania danych do innego rozwiązania do wyszukiwania wektorowego, zachowując prostotę i wydajność operacyjną.
Podstawowy przepływ pracy w przypadku wyszukiwania wektorowego w Cloud Firestore składa się z 4 kroków.
Więcej informacji o wyszukiwaniu wektorowym znajdziesz w naszym poście na blogu
Generowanie wektorów dystrybucyjnych
Pierwszym krokiem w korzystaniu z wyszukiwania wektorowego jest wygenerowanie wektorów dystrybucyjnych. Wektory dystrybucyjne to reprezentacje różnych rodzajów danych, takich jak tekst, obrazy i filmy, które rejestrują podobieństwa semantyczne lub syntaktyczne między reprezentowanymi przez nie encjami. Wektory dystrybucyjne można obliczać za pomocą usługi, takiej jak interfejs Vertex AI text-embeddings API.
Przechowywanie wektorów dystrybucyjnych w Firestore
Po wygenerowaniu wektorów dystrybucyjnych możesz je przechowywać w Firestore za pomocą jednego z obsługiwanych pakietów SDK. Oto jak wygląda ta operacja w pakiecie NodeJS SDK:
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
});
Tworzenie indeksu wektorowego
Następnym krokiem jest utworzenie indeksu wektorowego KNN Firestore, w którym będą przechowywane wektory dystrybucyjne. W wersji testowej musisz utworzyć indeks za pomocą narzędzia wiersza poleceń gcloud.
Wykonywanie wyszukiwania wektorowego
Gdy dodasz wszystkie wektory dystrybucyjne i utworzysz indeks wektorowy, możesz uruchomić wyszukiwanie. Następnie użyjesz wywołania find_nearest w odniesieniu do kolekcji, aby przekazać wektor dystrybucyjny zapytania, z którym chcesz porównać przechowywane wektory dystrybucyjne, oraz określić funkcję odległości, której chcesz użyć.
Ponownie zapoznaj się z przepływem pracy i innymi przypadkami użycia w naszym poście na blogu.
Rozwiązanie: wyszukiwanie wektorowe
Podsumowanie: przechowywanie wektorów dystrybucyjnych i wysyłanie zapytań o nie.
Przypadek użycia: ta funkcja jest używana przez inne narzędzia i funkcje.
Zobacz przewodnik po wyszukiwaniu wektorowym
Rozwiązanie: integracje z LangChain
Podsumowanie: używaj Firestore jako magazynu wektorów, modułu wczytywania dokumentów lub źródła historii wiadomości na czacie w LangChain.
Przypadek użycia: tworzenie aplikacji generatywnej AI lub przepływów pracy generowania wspomaganego wyszukiwaniem (RAG).
Zobacz przewodnik po LangChain
Rozwiązanie: Genkit
Podsumowanie: Genkit to platforma open source, która pomaga tworzyć, wdrażać i monitorować aplikacje oparte na AI gotowe do wdrożenia.
Przypadek użycia: używaj Genkit i Cloud Firestore do tworzenia aplikacji, które generują treści niestandardowe, korzystają z wyszukiwania semantycznego, obsługują dane wejściowe bez struktury, odpowiadają na pytania na podstawie firmowych baz danych i nie tylko.