Trang này giúp bạn bắt đầu triển khai các tính năng AI tạo sinh trong ứng dụng. Trang này mô tả các tính năng và quy trình tích hợp cho Firestore liên quan đến AI tạo sinh.
Hướng dẫn nhanh về tính năng tìm kiếm vectơ bằng Cloud Firestore
Việc tạo các giải pháp cải tiến dựa trên AI cho các trường hợp sử dụng như đề xuất sản phẩm và chatbot thường yêu cầu tính năng tìm kiếm mức độ tương đồng vectơ hoặc tìm kiếm vectơ. Bạn có thể thực hiện tìm kiếm vectơ trên dữ liệu Firestore mà không cần sao chép dữ liệu sang một giải pháp tìm kiếm vectơ khác, duy trì tính đơn giản và hiệu quả trong hoạt động.
Quy trình làm việc cốt lõi cho tính năng tìm kiếm vectơ trong Cloud Firestore bao gồm 4 bước.
Tìm hiểu đầy đủ về tính năng tìm kiếm vectơ trong bài đăng trên blog của chúng tôi
Tạo mục nhúng vectơ
Bước đầu tiên trong việc sử dụng tính năng tìm kiếm vectơ là tạo mục nhúng vectơ. Mục nhúng là các biểu thị của nhiều loại dữ liệu như văn bản, hình ảnh và video, nắm bắt các điểm tương đồng về ngữ nghĩa hoặc cú pháp giữa các thực thể mà chúng biểu thị. Bạn có thể tính toán mục nhúng bằng một dịch vụ, chẳng hạn như API mục nhúng văn bản Vertex AI.
Lưu mục nhúng trong Firestore
Sau khi tạo mục nhúng, bạn có thể lưu các mục đó trong Firestore bằng một trong các SDK được hỗ trợ. Dưới đây là ví dụ về thao tác 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 mục vectơ
Bước tiếp theo là tạo chỉ mục vectơ KNN của Firestore, nơi lưu trữ các mục nhúng vectơ. Trong bản phát hành xem trước, bạn cần tạo chỉ mục bằng công cụ dòng lệnh gcloud.
Thực hiện tìm kiếm vectơ
Sau khi thêm tất cả mục nhúng vectơ và tạo chỉ mục vectơ, bạn đã sẵn sàng chạy tìm kiếm. Sau đó, bạn sẽ sử dụng lệnh gọi find_nearest trên một tham chiếu tập hợp để chuyển mục nhúng vectơ truy vấn mà bạn muốn so sánh với các mục nhúng đã lưu trữ và chỉ định hàm khoảng cách mà bạn muốn sử dụng.
Hãy khám phá lại 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 mục nhúng vectơ.
Trường hợp sử dụng: Các công cụ và tính năng khác sử dụng tính năng này.
Xem hướng dẫn về tính năng tìm kiếm vectơ
Giải pháp: tiện ích cho tính năng tìm kiếm vectơ bằng Firebase
Tóm tắt: Sử dụng tiện ích Firebase để tự động nhúng và truy vấn tài liệu Firestore bằng tính năng tìm kiếm vectơ.
Trường hợp sử dụng: Thực hiện tìm kiếm vectơ tự động trong các dự án Firebase.
Giải pháp: quy trình tích hợp LangChain
Tóm tắt: Sử dụng Firestore làm kho lưu trữ vectơ, trình tải tài liệu hoặc nguồn nhật ký tin nhắn trò chuyện cho LangChain.
Trường hợp sử dụng: Xây dựng các ứng dụng AI tạo sinh hoặc quy trình tạo tăng cường khả năng truy xuất (RAG).
Giải pháp: Genkit
Tóm tắt: Genkit là một khung nguồn mở giúp bạn xây dựng, triển khai và giám sát các ứng dụng dựa trên AI sẵn sàng cho môi trường thực tế.
Trường hợp sử dụng: Sử dụng Genkit và Cloud Firestore để tạo các ứng dụng tạo nội dung tuỳ chỉnh, sử dụng tính năng tìm kiếm ngữ nghĩa, xử lý dữ liệu đầu vào không có cấu trúc, trả lời câu hỏi bằng dữ liệu doanh nghiệp của bạn và nhiều tính năng khác!