Erste Schritte mit generativer KI
Auf dieser Seite erfahren Sie, wie Sie generative KI-Funktionen in Ihre App einbinden. Außerdem werden die Funktionen und Integrationen für Firestore beschrieben, die generative KI umfassen.
Kurzanleitung für die Vektorsuche mit Firestore
Für die Entwicklung innovativer KI-gestützter Lösungen für Anwendungsfälle wie Produktempfehlungen und Chatbots ist häufig die Vektorähnlichkeitssuche, kurz Vektorsuche, erforderlich. Sie können eine Vektorsuche in Firestore-Daten ausführen, ohne dass Sie die Daten in eine andere Vektorsuchlösung kopieren müssen. So bleiben die Betriebseffizienz und -einfachheit erhalten.
Der grundlegende Workflow für die Vektorsuche in Firestore besteht aus vier Schritten.
Vektorsuche in unserem Blogpost
Vektoreinbettungen generieren
Der erste Schritt bei der Verwendung der Vektorsuche besteht darin, Vektoreinbettungen zu generieren. Einbettungen sind Darstellungen verschiedener Arten von Daten wie Text, Bildern und Videos, die semantische oder syntaktische Ähnlichkeiten zwischen den dargestellten Entitäten erfassen. Einbettungen können mit einem Dienst wie der Vertex AI Texteinbettungs-API berechnet werden.
Ebenen in Firestore speichern
Nachdem die Einbettungen generiert wurden, können Sie sie mit einem der unterstützten SDKs in Firestore speichern. So sieht dieser Vorgang im NodeJS SDK aus:
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
});
Vektorindex erstellen
Im nächsten Schritt erstellen Sie einen Firestore-KNN-Vektorindex, in dem die Vektor-Ebenen gespeichert werden. Während der Vorabversion müssen Sie den Index mit dem gcloud-Befehlszeilentool erstellen.
Vektorsuche durchführen
Nachdem Sie alle Vektoreinbettungen hinzugefügt und den Vektorindex erstellt haben, können Sie die Suche ausführen. Anschließend verwenden Sie den find_nearest-Aufruf auf einer Sammlungsreferenz, um die Vektoreinbettung der Abfrage zu übergeben, mit der die gespeicherten Einbettungen verglichen werden sollen, und die gewünschte Distanzfunktion anzugeben.
Weitere Informationen zum Workflow und zu Anwendungsfällen findest du in unserem Blogpost.
Lösung: Vektorsuche
Zusammenfassung:Vektoreinbettungen speichern und abfragen.
Anwendungsfall:Diese Funktion wird von den anderen Tools und Funktionen verwendet.
Lösung: Erweiterung für die Vektorsuche mit Firebase
Zusammenfassung:Mit der Firebase-Erweiterung können Sie Ihre Firestore-Dokumente automatisch mit der Vektorsuchfunktion einbetten und abfragen.
Anwendungsfall:Sie möchten in Ihren Firebase-Projekten eine automatische Vektorsuche durchführen.
Erweiterungsbeschreibung prüfen
Lösung: LangChain-Integrationen
Zusammenfassung:Verwenden Sie Firestore als Vektorspeicher, Dokument-Ladeprogramm oder Chatnachrichtenverlaufsquelle für LangChain.
Anwendungsfall:Erstellen von generativen KI-Anwendungen oder RAG-Workflows (Retrieval Augmented Generation).
Leitfaden für LangChain ansehen
Lösung: Genkit
Zusammenfassung:Firebase Genkit ist ein Open-Source-Framework, mit dem Sie produktionsreife KI-gestützte Apps erstellen, bereitstellen und überwachen können.
Nutzungsfall:Mit Genkit und Firestore können Sie Apps erstellen, die benutzerdefinierte Inhalte generieren, die semantische Suche verwenden, unstrukturierte Eingaben verarbeiten, Fragen mit Ihren Geschäftsdaten beantworten und vieles mehr.