Questa pagina ti aiuta a iniziare a implementare le funzionalità di AI generativa nel tuo dell'app. Descrive le funzionalità e le integrazioni di Firestore che prevedono l'AI generativa.
Guida rapida per la ricerca vettoriale con Cloud Firestore
Creare soluzioni innovative basate sull'AI per casi d'uso come le soluzioni di suggerimenti e chatbot richiedono spesso la ricerca di somiglianze vettoriali, o gli Short. Puoi eseguire ricerche vettoriali sui dati Firestore senza la difficoltà di copiare i dati in un'altra soluzione di ricerca vettoriale, mantenendo la semplicità e l'efficienza operativa.
Il flusso di lavoro di base per la ricerca vettoriale in Cloud Firestore è costituito da quattro passaggi.
Comprendere appieno la ricerca vettoriale nel nostro post del blog
Genera incorporamenti vettoriali
Il primo passaggio per utilizzare la ricerca vettoriale consiste nel generare incorporamenti vettoriali. Gli incorporamenti sono rappresentazioni di diversi tipi di dati come testo, immagini, e video che colgono le somiglianze semantiche o sintattiche tra le entità che rappresentano. Gli embedding possono essere calcolati utilizzando un servizio, ad esempio l'API Vertex AI Text Embeddings.
Memorizza gli embedding in Firestore
Una volta generati gli incorporamenti, puoi archiviarli in Firestore utilizzando uno dei gli SDK supportati. Ecco come si presenta questa operazione nell'SDK NodeJS:
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
});
Crea un indice di vettori
Il passaggio successivo consiste nel creare un indice di vettori KNN di Firestore in cui vengono memorizzati gli embedding vettori. Durante la versione di anteprima, dovrai creare il file
utilizzando lo strumento a riga di comando gcloud.
Perform la ricerca vettoriale
Dopo aver aggiunto tutti gli incorporamenti vettoriali e aver creato l'indice vettoriale,
sono pronti per eseguire la ricerca. Utilizzerai quindi la chiamata find_nearest su una
riferimento alla raccolta per passare l'incorporamento del vettore di query con cui confrontare
gli incorporamenti archiviati e specificare la funzione di distanza che si vuole utilizzare.
Scopri di più sul flusso di lavoro e su altri casi d'uso nel nostro post del blog.
Soluzione: ricerca vettoriale
Riepilogo: archivia ed esegui query sugli embedding vettoriali.
Caso d'uso: questa funzionalità è utilizzata dagli altri strumenti e dalle altre funzionalità.
Consulta la guida per la ricerca vettoriale
Soluzione: estensione per la ricerca vettoriale con Firebase
Riepilogo: utilizza l'estensione Firebase per incorporare ed eseguire query automaticamente sui tuoi Documenti Firestore con la funzionalità di ricerca vettoriale.
Caso d'uso: esegui la ricerca automatica di vettori nei tuoi progetti Firebase.
Esamina la descrizione dell'estensione
Soluzione: integrazioni con LangChain
Riepilogo: utilizza Firestore come datastore vettoriale, caricatore di documenti o origine della cronologia dei messaggi di chat per LangChain.
Caso d'uso: creare applicazioni di AI generativa o generazione tramite recupero (RAG).
Consulta la guida per LangChain
Soluzione: Genkit
Riepilogo: Firebase Genkit è un framework open source che consente di creare, eseguire il deployment e monitorare le app basate sull'AI pronte per la produzione.
Caso d'uso: usa Genkit e Cloud Firestore per creare app che generano contenuti personalizzati, utilizzare la ricerca semantica, gestire input non strutturati, rispondere domande sui dati aziendali e molto altro ancora.
Consulta la documentazione di Firebase Genkit