Trang này giúp bạn bắt đầu triển khai các tính năng AI tạo sinh trong . Tài liệu này mô tả các tính năng và công cụ tích hợp cho Firestore liên quan đến AI tạo sinh.
Bắt đầu nhanh chóng tìm kiếm vectơ bằng Cloud Firestore
Tạo ra các giải pháp đổi mới sử dụng trí tuệ nhân tạo (AI) cho các trường hợp sử dụng, chẳng hạn như sản phẩm đề xuất và bot trò chuyện thường yêu cầu tìm kiếm tính tương tự vectơ hoặc vectơ cho video ngắn. Bạn có thể thực hiện tìm kiếm vectơ trên dữ liệu Firestore mà không cần phức tạp khi sao chép dữ liệu sang một giải pháp tìm kiếm vectơ khác, duy trì tính đơn giản và hiệu quả trong vận hành.
Quy trình tìm kiếm vectơ trong Cloud Firestore bao gồm 4 bước.
Hiểu đầy đủ về tìm kiếm vectơ trong bài đăng trên blog của chúng tôi
Tạo nhúng vectơ
Bước đầu tiên trong việc sử dụng tính năng tìm kiếm vectơ là tạo các mục nhúng vectơ. Nhúng là cách biểu thị các loại dữ liệu khác nhau như văn bản, hình ảnh và video ghi lại điểm tương đồng về ngữ nghĩa hoặc cú pháp giữa các thực thể mà chúng đại diện. Số lượt nhúng có thể được tính toán bằng một dịch vụ, chẳng hạn như API nhúng văn bản Vertex AI.
Cửa hàng mục nhúng trong Firestore
Sau khi tạo các mục nhúng, bạn có thể lưu trữ các mục đó trong Firestore bằng một trong các SDK được hỗ trợ. Sau đây là giao diện của hoạt động đó trong 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
});
Tạo chỉ số vectơ
Bước tiếp theo là tạo chỉ mục vectơ KNN của Firestore, trong đó vectơ
các mục nhúng được lưu trữ. Trong khi phát hành bản thử nghiệm, bạn sẽ cần tạo
lập chỉ mục bằng công cụ dòng lệnh gcloud.
Biểu diễn tìm kiếm vectơ
Khi bạn đã thêm tất cả các mục nhúng vectơ và tạo chỉ mục vectơ, bạn
sẵn sàng chạy tìm kiếm. Sau đó, bạn sẽ sử dụng lệnh gọi find_nearest trên một
tham chiếu tập hợp để truyền nhúng vectơ truy vấn mà cần so sánh
các mục nhúng được lưu trữ và để chỉ định hàm khoảng cách mà bạn muốn sử dụng.
Một lần nữa, hãy khám phá quy trình làm việc và các trường hợp sử dụng khác trong bài đăng trên blog của chúng tôi.
Giải pháp: tìm kiếm vectơ
Tóm tắt: Lưu trữ và truy vấn các mục nhúng vectơ.
Trường hợp sử dụng: Tính năng này được các công cụ và tính năng khác sử dụng.
Giải pháp: phần mở rộng cho tìm kiếm vectơ với Firebase
Tóm tắt: Sử dụng tiện ích Firebase để tự động nhúng và truy vấn Tài liệu trên Firestore với tính năng tìm kiếm vectơ.
Trường hợp sử dụng: Thực hiện tìm kiếm vectơ tự động trong các dự án Firebase của bạn.
Xem nội dung mô tả về tiện ích
Giải pháp: Tích hợp LangChain
Tóm tắt: Sử dụng Firestore làm kho lưu trữ vectơ, trình tải tài liệu hoặc tin nhắn trò chuyện nguồn nhật ký của LangChain.
Trường hợp sử dụng: Xây dựng ứng dụng dựa trên AI tạo sinh hoặc tạo ứng dụng tăng cường truy xuất (RAG).
Giải pháp: Genkit
Tóm tắt: Firebase Genkit là khung nguồn mở giúp bạn tạo, triển khai và giám sát các ứng dụng dựa trên AI đã sẵn sàng phát hành công khai.
Trường hợp sử dụng: Sử dụng Genkit và Cloud Firestore để tạo ứng dụng giúp tạo ra nội dung tuỳ chỉnh, sử dụng tìm kiếm theo ngữ nghĩa, xử lý thông tin đầu vào không có cấu trúc, trả lời về dữ liệu doanh nghiệp và nhiều câu hỏi khác!
Xem tài liệu về Firebase Genkit