Questa pagina ti aiuta a iniziare a implementare le funzionalità di AI generativa nella tua app. Descrive le funzionalità e le integrazioni per Firestore che coinvolgono l'AI generativa.
Guida rapida per la ricerca vettoriale con Cloud Firestore
La creazione di soluzioni innovative basate sull'AI per casi d'uso come i suggerimenti sui prodotti e i chatbot spesso richiede la ricerca di similarità vettoriale, o ricerca vettoriale in breve. Puoi eseguire la ricerca vettoriale sui dati Firestore senza la seccatura di copiare i dati in un'altra soluzione di ricerca vettoriale, mantenendo semplicità ed efficienza operative.
Il flusso di lavoro principale per la ricerca vettoriale in Cloud Firestore è composto da 4 passaggi.
Scopri di più sulla ricerca vettoriale nel nostro post del blog
Genera vector embedding
Il primo passaggio per utilizzare la ricerca vettoriale è generare gli incorporamenti vettoriali. Gli embedding sono rappresentazioni di diversi tipi di dati come testo, immagini e video che acquisiscono somiglianze semantiche o sintattiche tra le entità che rappresentano. Gli incorporamenti possono essere calcolati utilizzando un servizio, ad esempio l'API Vertex AI text-embeddings.
Memorizza gli incorporamenti in Firestore
Una volta generati gli incorporamenti, puoi archiviarli in Firestore utilizzando uno degli SDK supportati. Ecco come si presenta l'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 vettoriale
Il passaggio successivo consiste nel creare un indice vettoriale KNN di Firestore in cui sono memorizzate le incorporazioni vettoriali. Durante la release di anteprima, dovrai creare l'indice utilizzando lo strumento a riga di comando gcloud.
Esegui la ricerca vettoriale
Dopo aver aggiunto tutti gli incorporamenti vettoriali e creato l'indice vettoriale, puoi eseguire la ricerca. Utilizzerai quindi la chiamata find_nearest su un riferimento alla raccolta per passare l'embedding del vettore di query con cui confrontare gli embedding archiviati e per specificare la funzione di distanza che vuoi utilizzare.
Ancora una volta, esplora il flusso di lavoro e altri casi d'uso nel nostro post del blog.
Soluzione: ricerca vettoriale
Riepilogo: archivia ed esegui query su vector embedding.
Caso d'uso: questa funzionalità viene utilizzata dagli altri strumenti e 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 vettoriale automatica nei tuoi progetti Firebase.
Rivedi la descrizione dell'estensione
Soluzione: integrazioni LangChain
Riepilogo: utilizza Firestore come archivio vettoriale, caricatore di documenti o origine della cronologia dei messaggi della chat per LangChain.
Caso d'uso: crea applicazioni di AI generativa o workflow di Retrieval-Augmented Generation (RAG).
Consulta la guida per LangChain
Soluzione: Genkit
Riepilogo: Genkit è un framework open source che ti aiuta a creare, eseguire il deployment e monitorare app basate sull'AI pronte per la produzione.
Caso d'uso: utilizza Genkit e Cloud Firestore per creare app che generano contenuti personalizzati, utilizzano la ricerca semantica, gestiscono input non strutturati, rispondono a domande con i dati aziendali e molto altro ancora.
Consulta la documentazione di Genkit