Auf dieser Seite finden Sie Informationen zum Implementieren von Funktionen für generative KI in Ihrer App. Außerdem werden die Funktionen und Integrationen für Firestore beschrieben, die generative KI umfassen.
Kurzanleitung für die Vektorsuche mit Cloud Firestore
Um innovative KI-basierte Lösungen für Anwendungsfälle wie Produktempfehlungen und Chatbots zu entwickeln, 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 Kern-Workflow für die Vektorsuche in Cloud Firestore besteht aus vier Schritten.
Weitere Informationen zur Vektorsuche finden Sie in unserem Blogpost.
Vektoreinbettungen generieren
Der erste Schritt bei 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 von ihnen dargestellten Einheiten erfassen. Einbettungen können mit einem Dienst wie der Vertex AI Text Embeddings API berechnet werden.
Einbettungen in Firestore speichern
Sobald 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.
Vektorsuche ausführen
Nachdem Sie alle Vektoreinbettungen hinzugefügt und den Vektorindex erstellt haben, können Sie die Suche ausführen. Anschließend verwenden Sie den find_nearest-Aufruf für eine Sammlungsreferenz, um die Abfragevektoreinbettung zu übergeben, mit der die gespeicherten Einbettungen verglichen werden sollen, und um die Distanzfunktion anzugeben, die Sie verwenden möchten.
In unserem Blogpost finden Sie weitere Informationen zum Workflow und zu Anwendungsfällen.
Lösung: Vektorsuche
Zusammenfassung:Vektoreinbettungen speichern und abfragen.
Anwendungsfall:Diese Funktion wird von den anderen Tools und Funktionen verwendet.
Lösung: Extension für die Vektorsuche mit Firebase
Zusammenfassung:Mit der Firebase-Erweiterung können Sie Ihre Firestore-Dokumente automatisch einbetten und mit der Vektorsuchfunktion abfragen.
Anwendungsfall:Automatische Vektorsuche in Ihren Firebase-Projekten durchführen
Erweiterungsbeschreibung ansehen
Lösung: LangChain-Integrationen
Zusammenfassung:Verwenden Sie Firestore als Vektorspeicher, Dokument-Ladeprogramm oder Quelle für den Chatnachrichtenverlauf für LangChain.
Anwendungsfall:Generative KI-Anwendungen oder RAG-Workflows (Retrieval Augmented Generation) erstellen.
Leitfaden für LangChain ansehen
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 und Fragen mit Ihren Geschäftsdaten beantworten.