Questa pagina ti aiuta a iniziare a implementare le funzionalità di IA generativa nella tua app. Descrive le funzionalità e le integrazioni per Firestore che riguardano l'IA generativa.
Guida rapida alla ricerca vettoriale con Cloud Firestore
La creazione di soluzioni innovative basate sull'IA per casi d'uso come consigli sui prodotti e chatbot spesso richiede la ricerca di somiglianze vettoriali, in breve ricerca vettoriale. Puoi eseguire la ricerca vettoriale sui dati di Firestore senza dover 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.
Scopri di più sulla ricerca di vettori nel nostro post del blog
Genera incorporamenti vettoriali
Il primo passaggio per utilizzare la ricerca vettoriale è generare gli embedding vettoriali. Gli embedding sono rappresentazioni di diversi tipi di dati, come testo, immagini e video, che rilevano somiglianze semantiche o sintattiche tra le entità che rappresentano. Gli embedding possono essere calcolati utilizzando un servizio, ad esempio l'API Vertex AI per gli embedding di testo.
Memorizza gli embedding in Firestore
Una volta generati gli incorporamenti, puoi archiviarli in Firestore utilizzando uno degli 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 release di anteprima, dovrai creare l'indice utilizzando lo strumento a riga di comando gcloud.
Esegui la ricerca vettoriale
Dopo aver aggiunto tutti gli embedding di vettori e creato l'indice di vettori, puoi eseguire la ricerca. Dovrai quindi utilizzare la chiamata find_nearest su un riferimento alla raccolta per passare l'embedding vettoriale della query con cui confrontare gli embedding archiviati e per specificare la funzione di distanza che vuoi 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 viene utilizzata dagli altri strumenti e funzionalità.
Consulta la guida alla ricerca di vettori
Soluzione: estensione per la ricerca vettoriale con Firebase
Riepilogo: utilizza l'estensione Firebase per eseguire query ed eseguire automaticamente l'embedding dei tuoi documenti Firestore con la funzionalità di ricerca vettoriale.
Caso d'uso: esegui la ricerca automatica di vettori 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 di chat per LangChain.
Caso d'uso: crea applicazioni di IA generativa o flussi di lavoro di Retrieval Augmented Generation (RAG).
Consulta la guida per LangChain
Soluzione: Genkit
Riepilogo: Firebase Genkit è un framework open source che ti aiuta a creare, eseguire il deployment e monitorare app basate sull'IA 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 Firebase Genkit