本页面介绍了 Vertex AI RAG 引擎支持的向量数据库。您还可以了解如何将向量数据库（向量存储区）连接到 RAG 语料库。
向量数据库在为 RAG 应用实现检索功能方面发挥着至关重要的作用。向量数据库提供了一种专门用于存储和查询向量嵌入的方法，向量嵌入是文本或其他数据的数学表示法，可捕获语义含义和关系。借助向量嵌入，RAG 系统能够快速准确地在庞大的知识库中找到最相关的信息，即使在处理复杂或细致的查询时也是如此。与嵌入模型结合使用时，向量数据库可以帮助克服 LLM 的局限性，并提供更准确、更相关且更全面的回答。
支持的向量数据库
创建 RAG 语料库时，Vertex AI RAG 引擎提供适合企业的 RagManagedDb 作为默认向量数据库，无需进行额外预配或管理。RagManagedDb 同时提供 KNN 和 ANN 搜索选项，并允许切换到基本层级以便进行一些快速原型设计和实验。如需详细了解如何在 RagManagedDb 上选择检索策略或如需更新层级，请参阅将 RagManagedDb 与 RAG 搭配使用。如需让 Vertex AI RAG 引擎为您自动创建和管理向量数据库，请参阅创建 RAG 语料库。
除了默认的 RagManagedDb 之外，Vertex AI RAG 引擎还允许您在 RAG 语料库中预配和使用自己的向量数据库。在这种情况下，您需要负责向量数据库的生命周期和可扩缩性。
比较向量数据库选项
下表列出了 Vertex AI RAG 引擎中支持的向量数据库选项，并提供了说明如何在 RAG 语料库中使用向量数据库的页面的链接。
| 向量数据库 | 优势 | 适用场景 | 缺点 | 支持的距离指标 | 搜索类型 | 发布阶段 |
|---|---|---|---|---|---|---|
RagManagedDb（默认）是一种按区域分布的可扩缩数据库服务，可提供极高的一致性和高可用性，并且可用于向量搜索。简单、快速 |
|
|
|
cosine |
KNN（默认）和 ANN | 已全面推出 |
| Vector Search 是 Vertex AI 中的向量数据库服务，专门针对机器学习任务进行了优化。 |
|
|
|
cosinedot-product |
ANN | 已全面推出 |
| Vertex AI Feature Store 是一种托管式服务，用于整理、存储和处理机器学习特征。 |
|
|
|
cosinedot-productL2 squared |
ANN | 预览版 |
| Weaviate 是一款灵活且模块化的开源向量数据库。 |
|
|
|
cosinedot-productL2 squaredhammingmanhattan |
ANN + 混合搜索支持 | 预览版 |
| Pinecone 是一种全托管式云原生向量数据库，旨在实现高性能的相似性搜索。 |
|
|
|
cosineeuclideandot-product |
ANN | 已全面推出 |
后续步骤
- 如需创建 RAG 语料库，请参阅创建 RAG 语料库示例。
- 如需列出所有 RAG 语料库，请参阅列出 RAG 语料库示例。