หน้านี้จะช่วยคุณเริ่มต้นใช้งานฟีเจอร์ Generative AI ในแอป โดยอธิบายฟีเจอร์และการผสานรวมสำหรับ Firestore ที่เกี่ยวข้องกับ Generative AI
คู่มือเริ่มใช้งานฉบับย่อสำหรับการค้นหาเวกเตอร์ด้วย Cloud Firestore
การสร้างโซลูชันที่ทำงานด้วยระบบ AI อันล้ำสมัยสำหรับ Use Case เช่น การแนะนำผลิตภัณฑ์และแชทบ็อตมักต้องใช้การค้นหาความคล้ายคลึงกันของเวกเตอร์ หรือเรียกสั้นๆ ว่าการค้นหาเวกเตอร์ คุณสามารถทำการค้นหาเวกเตอร์ในข้อมูล Firestore ได้โดยไม่ต้องยุ่งยากกับการคัดลอกข้อมูลไปยังโซลูชันการค้นหาเวกเตอร์อื่น ซึ่งช่วยให้การทำงานเป็นไปอย่างเรียบง่ายและมีประสิทธิภาพ
เวิร์กโฟลว์หลักสำหรับการค้นหาเวกเตอร์ใน Cloud Firestore ประกอบด้วย 4 ขั้นตอน
ทำความเข้าใจการค้นหาเวกเตอร์อย่างละเอียดในบล็อกโพสต์ของเรา
สร้างการฝังเวกเตอร์
ขั้นตอนแรกในการใช้การค้นหาเวกเตอร์คือการสร้างการฝังเวกเตอร์ การฝังคือการแสดงข้อมูลประเภทต่างๆ เช่น ข้อความ รูปภาพ และวิดีโอที่จับความคล้ายคลึงกันทางความหมายหรือไวยากรณ์ระหว่างเอนทิตีที่แสดง คุณสามารถคำนวณการฝังได้โดยใช้บริการ เช่น Vertex AI text-embeddings API
จัดเก็บการฝังใน Firestore
เมื่อสร้างการฝังแล้ว คุณสามารถจัดเก็บไว้ใน Firestore โดยใช้ SDK ที่รองรับรายการใดรายการหนึ่ง การดำเนินการดังกล่าวใน NodeJS SDK จะมีลักษณะดังนี้
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
});
สร้าง ดัชนีเวกเตอร์
ขั้นตอนถัดไปคือการสร้างดัชนีเวกเตอร์ KNN ของ Firestore ที่จัดเก็บการฝังเวกเตอร์ ในระหว่างเวอร์ชันตัวอย่าง คุณจะต้องสร้างดัชนีโดยใช้เครื่องมือบรรทัดคำสั่ง gcloud
ทำการค้นหาเวกเตอร์
เมื่อเพิ่มการฝังเวกเตอร์ทั้งหมดและสร้างดัชนีเวกเตอร์แล้ว คุณก็พร้อมที่จะเรียกใช้การค้นหา จากนั้นคุณจะใช้การเรียก find_nearest ในการอ้างอิงคอลเล็กชันเพื่อส่งการฝังเวกเตอร์การค้นหาที่จะใช้เปรียบเทียบการฝังที่จัดเก็บไว้ และระบุฟังก์ชันระยะทางที่ต้องการใช้
ขอย้ำอีกครั้งว่าคุณสามารถดูเวิร์กโฟลว์และกรณีการใช้งานเพิ่มเติมได้ในบล็อกโพสต์
โซลูชัน: การค้นหาเวกเตอร์
สรุป: จัดเก็บและค้นหาการฝังเวกเตอร์
กรณีการใช้งาน: เครื่องมือและฟีเจอร์อื่นๆ จะใช้ฟีเจอร์นี้
ดูคำแนะนำสำหรับการค้นหาเวกเตอร์
โซลูชัน: การผสานรวม LangChain
สรุป: ใช้ Firestore เป็นที่เก็บเวกเตอร์, เครื่องมือโหลดเอกสาร หรือแหล่งที่มาของประวัติข้อความแชทสำหรับ LangChain
กรณีการใช้งาน: สร้างแอปพลิเคชัน Generative AI หรือเวิร์กโฟลว์การสร้างเสริมด้วยการดึงข้อมูล (RAG)
โซลูชัน: Genkit
สรุป: Genkit เป็นเฟรมเวิร์กโอเพนซอร์สที่ช่วยคุณสร้าง ใช้งาน และตรวจสอบแอปที่ทำงานด้วยระบบ AI ซึ่งพร้อมใช้งานจริง
กรณีการใช้งาน: ใช้ Genkit และ Cloud Firestore เพื่อสร้างแอปที่สร้างเนื้อหาที่กำหนดเอง ใช้การค้นหาเชิงความหมาย จัดการอินพุตที่ไม่มีโครงสร้าง ตอบคำถามด้วยข้อมูลธุรกิจ และอื่นๆ อีกมากมาย