Pierwsze kroki z generatywną AI

Na tej stronie dowiesz się, jak zacząć wdrażać funkcje generatywnej AI w aplikacji. Opisujemy tu funkcje i integracje z Firestore, które wykorzystują generatywną AI.

Szybki start z wyszukiwaniem wektorowym w Cloud Firestore

Tworzenie innowacyjnych rozwiązań opartych na AI do zastosowań takich jak rekomendacje dotyczące usług czy chatboty często wymaga wyszukiwania podobieństwa wektorowego lub po prostu wyszukiwania wektorowego. Możesz przeprowadzać wyszukiwanie wektorowe w danych Firestore bez konieczności kopiowania danych do innego rozwiązania do wyszukiwania wektorowego, co pozwala zachować prostotę i wydajność operacyjną.

Podstawowy przepływ pracy w przypadku wyszukiwania wektorowego w Cloud Firestore składa się z 4 kroków.

Więcej informacji o wyszukiwaniu wektorowym znajdziesz w naszym poście na blogu

Generowanie wektorów dystrybucyjnych

Pierwszym krokiem w korzystaniu z wyszukiwania wektorowego jest wygenerowanie wektorów dystrybucyjnych. Wektory dystrybucyjne to reprezentacje różnych rodzajów danych, takich jak tekst, obrazy i filmy, które odzwierciedlają podobieństwa semantyczne lub syntaktyczne między reprezentowanymi przez nie encjami. Wektory dystrybucyjne można obliczać za pomocą usługi, takiej jak interfejs Vertex AI text-embeddings API.

Przechowywanie wektorów dystrybucyjnych w Firestore

Po wygenerowaniu wektorów dystrybucyjnych możesz je przechowywać w Firestore za pomocą jednego z obsługiwanych pakietów SDK. Oto jak wygląda ta operacja w pakiecie NodeJS SDK:

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
});

Tworzenie indeksu wektorowego

Następnym krokiem jest utworzenie indeksu wektorowego KNN w Firestore, w którym będą przechowywane wektory dystrybucyjne. W wersji testowej musisz utworzyć indeks za pomocą narzędzia wiersza poleceń gcloud.

Gdy dodasz wszystkie wektory dystrybucyjne i utworzysz indeks wektorowy, możesz uruchomić wyszukiwanie. Następnie użyjesz wywołania find_nearest w odniesieniu do kolekcji, aby przekazać wektor dystrybucyjny zapytania, z którym chcesz porównać przechowywane wektory dystrybucyjne, oraz określić funkcję odległości, której chcesz użyć.

Ponownie zapoznaj się z przepływem pracy i innymi przypadkami użycia w naszym poście na blogu.

Podsumowanie: przechowywanie wektorów dystrybucyjnych i wysyłanie zapytań o nie.

Przypadek użycia: ta funkcja jest używana przez inne narzędzia i funkcje.

Zobacz przewodnik po wyszukiwaniu wektorowym

Rozwiązanie: rozszerzenie do wyszukiwania wektorowego w Firebase

Podsumowanie: użyj rozszerzenia Firebase, aby automatycznie osadzać dokumenty Firestore i wysyłać o nie zapytania za pomocą funkcji wyszukiwania wektorowego.

Przypadek użycia: automatyczne wyszukiwanie wektorowe w projektach Firebase.

Zapoznaj się z opisem rozszerzenia

Rozwiązanie: integracje z LangChain

Podsumowanie: używaj Firestore jako magazynu wektorów, modułu wczytywania dokumentów lub źródła historii wiadomości na czacie w LangChain.

Przypadek użycia: tworzenie aplikacji generatywnej AI lub przepływów pracy generowania wspomaganego wyszukiwaniem (RAG).

Zobacz przewodnik po LangChain

Rozwiązanie: Genkit

Podsumowanie: Genkit to platforma open source, która pomaga tworzyć, wdrażać i monitorować aplikacje oparte na AI gotowe do wdrożenia.

Przypadek użycia: używaj Genkit i Cloud Firestore do tworzenia aplikacji, które generują treści niestandardowe, korzystają z wyszukiwania semantycznego, obsługują dane wejściowe bez struktury, odpowiadają na pytania na podstawie danych firmowych i nie tylko.

Zapoznaj się z dokumentacją Genkit