本页面可帮助您开始在应用中实现生成式 AI 功能。它介绍了涉及生成式 AI 的 Firestore 功能和集成。
使用 Cloud Firestore 进行向量搜索的快速入门
为商品推荐和聊天机器人等用例创建创新的 AI 赋能解决方案通常需要向量相似性搜索（简称向量搜索）。您可以对 Firestore 数据执行向量搜索，而无需将数据复制到另一个向量搜索解决方案，从而保持操作简单性和效率。
Cloud Firestore 中的向量搜索核心工作流包含 4 个步骤。
生成向量嵌入
利用向量搜索的第一步是生成向量嵌入。嵌入是文本、图片和视频等不同类型数据的表示，它们捕捉它们所代表的实体之间的语义或语法相似性。您可以使用服务（例如 Vertex AI 文本嵌入 API）计算嵌入。
将嵌入存储在 Firestore 中
一旦生成嵌入，您就可以使用其中一个受支持的 SDK 将它们存储在 Firestore 中。该操作在 NodeJS SDK 中的效果如下所示：
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
});
创建向量索引
下一步是创建 Firestore KNN 向量索引，其中存储了向量嵌入。在预览版期间，您需要使用 gcloud 命令行工具创建索引。
执行向量搜索
添加所有向量嵌入并创建向量索引后，您就一切准备就绪，可运行搜索。然后，您可以对集合引用使用 find_nearest 调用，以传递查询向量嵌入，从而与存储的嵌入进行比较，并指定要使用的距离函数。
请再次参阅我们的博文，了解工作流和更多使用场景。
解决方案：向量搜索
摘要：存储和查询向量嵌入。
使用场景：此功能供其他工具和功能使用。
解决方案：使用 Firebase 扩展向量搜索
摘要：使用 Firebase Extensions 扩展程序，通过向量搜索功能自动嵌入和查询 Firestore 文档。
使用场景：在 Firebase 项目中执行自动向量搜索。
解决方案：LangChain 集成
摘要：使用 Firestore 作为 LangChain 的向量存储区、文档加载器或聊天消息记录来源。
使用场景：构建生成式 AI 应用或检索增强生成 (RAG) 工作流。
解决方案：Genkit
摘要：Firebase Genkit 是一个开源框架，可帮助您构建、部署和监控可用于生产用途的 AI 赋能的应用。
使用场景：使用 Genkit 和 Cloud Firestore 创建可提供以下各种功能的应用：生成自定义内容、使用语义搜索、处理非结构化输入、使用您的业务数据回答问题等等！