Auf dieser Seite erfahren Sie, wie Sie generative KI-Funktionen in Ihre App einbinden. Außerdem werden die Funktionen und Integrationen für Firestore beschrieben, die generative KI umfassen.
Kurzanleitung für die Vektorsuche mit Cloud Firestore
Entwicklung innovativer KI-gestützter Lösungen für Anwendungsfälle wie Produkte und Chatbots erfordern oft eine Suche nach Vektorähnlichkeiten suchen. Sie können eine Vektorsuche in Firestore-Daten ohne die Daten in eine andere Vektorsuchlösung zu kopieren, einfache Bedienbarkeit und Effizienz.
Der grundlegende Workflow für die Vektorsuche in Cloud Firestore besteht aus vier Schritten.
Umfassende Informationen zur Vektorsuche in unserem Blogpost
Generieren Vektoreinbettungen
Der erste Schritt bei der Verwendung der Vektorsuche besteht darin, Vektoreinbettungen zu generieren. Einbettungen sind Darstellungen verschiedener Arten von Daten wie Text, Bilder, und Videos, die semantische oder syntaktische Ähnlichkeiten zwischen den Entitäten erfassen die sie repräsentieren. Einbettungen können mit einem Dienst wie dem Vertex AI Text-Embeddings API
Embeddings in Firestore speichern
Nachdem die Einbettungen generiert wurden, können Sie sie mit einer der folgenden Methoden in Firestore speichern: den unterstützten SDKs. 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 der Vektor
werden Einbettungen gespeichert. Während der Vorabversion müssen Sie die
mit dem gcloud
-Befehlszeilentool indexieren.
Perform die Vektorsuche
Nachdem Sie alle Vektoreinbettungen hinzugefügt und den Vektorindex erstellt haben,
die Suche ausführen können. Anschließend verwenden Sie den find_nearest
-Aufruf für eine
Sammlungsreferenz, um die Einbettung des Abfragevektors zu übergeben, mit der der Vergleich verglichen werden soll
die gespeicherten Einbettungen und
die zu verwendende Entfernungsfunktion.
In unserem Blogpost finden Sie weitere Informationen zum Workflow und zu weiteren Anwendungsfällen.
Lösung: Vektorsuche
Zusammenfassung: Vektoreinbettungen speichern und abfragen.
Anwendungsfall:Diese Funktion wird von den anderen Tools und Funktionen verwendet.
Lösung: Erweiterung für die Vektorsuche mit Firebase
Zusammenfassung: Mit der Firebase-Erweiterung können Sie Ihre Firestore-Dokumente mit der Vektorsuchfunktion
Anwendungsfall:Automatische Vektorsuche in Ihren Firebase-Projekten durchführen
Erweiterungsbeschreibung prüfen
Lösung: LangChain-Integrationen
Zusammenfassung: Firestore als Vektorspeicher, Dokumentladeprogramm oder Chatnachricht verwenden Verlaufsquelle für LangChain.
Anwendungsfall:Generative AI-Anwendungen oder retrieval-augmentierte Generationen erstellen RAG-Workflows.
Leitfaden für LangChain ansehen
Lösung: Genkit
Zusammenfassung: Firebase Genkit ist ein Open-Source-Framework, mit dem Sie produktionsreife KI-gestützte Apps erstellen, bereitstellen und überwachen können.
Anwendungsfall:Genkit und Cloud Firestore zum Erstellen von Apps verwenden, die benutzerdefinierter Inhalt, semantische Suche verwenden, unstrukturierte Eingaben verarbeiten, Antwort Geschäftsdaten und vieles mehr!
Siehe Firebase Genkit-Dokumentation