本頁面可協助您開始在應用程式中導入生成式 AI 功能。這裡會說明與生成式 AI 相關的 Firestore 功能和整合。
使用 Cloud Firestore 快速入門向量搜尋
如要針對產品推薦和聊天機器人等用途，打造創新的 AI 技術輔助解決方案，通常需要使用向量相似度搜尋 (或稱向量搜尋)。您可以對 Firestore 資料執行向量搜尋，不必費心將資料複製到其他向量搜尋解決方案，維持簡單且有效率的作業流程。
Cloud Firestore 中向量搜尋的核心工作流程包含 4 個步驟。
產生向量嵌入
運用向量搜尋的第一步，就是產生向量嵌入。嵌入是文字、圖片和影片等不同種類資料的表示法，可擷取其代表實體之間的語意或語法相似處。您可以使用服務 (例如 Vertex AI 文字嵌入 API) 計算嵌入值。
在 Firestore 中儲存嵌入資料
產生嵌入後，即可使用其中一個支援的 SDK 將其儲存在 Firestore 中。以下是 NodeJS SDK 中的運算作業：
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
});
建立向量索引
下一個步驟是建立 Firestore KNN 向量索引，用於儲存向量嵌入資料。在預覽版本中，您必須使用 gcloud 指令列工具建立索引。
執行向量搜尋
新增所有向量嵌入並建立向量索引後，您就可以開始執行搜尋。接著，您將在集合參照上使用 find_nearest 呼叫，傳遞用於比較已儲存嵌入資料的查詢向量嵌入資料，並指定要使用的距離函式。
再次提醒，請參閱這篇網誌文章，瞭解工作流程和更多用途。
解決方案：向量搜尋
摘要：儲存及查詢向量嵌入。
用途：其他工具和功能會使用這項功能。
解決方案：使用 Firebase 的向量搜尋擴充功能
摘要：使用 Firebase 擴充功能，透過向量搜尋功能自動嵌入及查詢 Firestore 文件。
用途：在 Firebase 專案中執行自動向量搜尋。
解決方案：LangChain 整合
摘要：將 Firestore 做為 LangChain 的向量儲存庫、文件載入器或聊天訊息記錄來源。
用途：建構生成式 AI 應用程式或檢索增強生成 (RAG) 工作流程。
解決方案：Genkit
摘要：Firebase Genkit 是開放原始碼架構，可協助您建構、部署及監控可用於正式環境的 AI 應用程式。
用途：使用 Genkit 和 Cloud Firestore 建立應用程式，產生自訂內容、使用語意搜尋、處理非結構化輸入內容、使用業務資料回答問題等等！