google_ml_integration 扩展程序包含两个不同命名空间（public 和 google_ml）中的嵌入函数。本页面介绍了如何使用这些命名空间中的函数生成文本嵌入。
public 架构中的 embedding() 函数可与任何 Vertex AI 嵌入模型搭配使用，而无需注册端点。如果您想传递任何自定义信息（例如任务类型），请注册端点，然后在 google_ml 架构中使用 google_ml.embedding() 函数。如需详细了解如何注册端点，请参阅注册模型。
嵌入工作原理
假设某个数据库在 AlloyDB 上运行，具有以下特点：
该数据库包含一个表：
items。此表中的每一行描述了您的企业销售的商品。items表包含一列：complaints。此TEXT列会存储针对每件商品记录的买家投诉。该数据库与 Vertex AI Model Garden 集成，因而可访问
gemini-embedding-001英语模型。
尽管此数据库存储了与商品相关的投诉，但这些投诉以纯文本形式存储，因此很难进行查询。例如，如需查看哪些商品因为客户收到错误的商品颜色而受到最多投诉，则可以对表执行普通 SQL 查询，查找各种关键字匹配项。但是，此方法仅匹配包含这些精确关键字的行。
例如，SELECT * FROM item WHERE complaints LIKE
"%wrong color%" 等基本 SQL 查询不会返回 complaints 字段仅包含 The picture shows a blue one, but the one I received was red 的行。
使用 LLM 支持的嵌入的 SQL 查询可以帮助针对此类查询返回语义上相似的回答。通过应用嵌入，您可以在此示例的表中查询其投诉与给定文本提示（例如 It was the
wrong color）具有语义相似度的商品。
如需生成嵌入，请选择以下架构之一。