Auf generativer KI basierende Anwendungen erstellen

AlloyDB for PostgreSQL unterstützt eine Vielzahl von Anwendungsfällen für generative KI, darunter die semantische Suche, Retrieval Augmented Generation (RAG) und KI-basierte Agenten. In den folgenden Codelabs, Notebooks und Tutorials können Sie Architekturansätze bewerten und die Anwendungsentwicklung beschleunigen.

Anwendungsfall Beschreibung
Patentsuche und Suchgenauigkeit beschleunigen In diesen Codelabs erfahren Sie, wie Sie die Patentrecherche mithilfe der Vektorsuche zusammen mit AlloyDB, der pgvector-Erweiterung, Einbettungen, Gemini und dem Java Agent Development Kit (ADK) verbessern können.
Multimodale Einbettungen in AlloyDB generieren In diesem Codelab wird gezeigt, wie Sie die Funktionen von AlloyDB AI für die semantische Suche mit multimodalen Einbettungen verwenden.

Sie erfahren, wie Sie verschiedene Arten von Suchen durchführen, darunter textbasierte semantische Suche, Bildsuche nach Bild und Bildsuche nach Text, sowie einen hybriden Ansatz, der verschiedene Suchtypen kombiniert.
SQL-Generierung mit KI-basierter Natural Language-Funktionen von AlloyDB Dieses Codelab bietet eine detaillierte Anleitung zum Generieren von SQL-Abfragen mit der AlloyDB AI-Funktion für natürliche Sprache.

Im Codelab wird ein fiktiver E-Commerce-Datensatz verwendet, um zu zeigen, wie Sie Fragen in natürlicher Sprache (Englisch) stellen und von AlloyDB AI in SQL übersetzen lassen können.
Semantische Filter anwenden und Vektorsuchergebnisse neu sortieren, um die Suchqualität zu verbessern In diesem Codelab erfahren Sie, wie Sie AlloyDB AI-Funktionen wie KI-Abfrageoperatoren, Modellendpunktverwaltung und Vektorsuche verwenden, um die Suchqualität zu verbessern und semantische Filter zu verwenden.

Hier erfahren Sie, wie Sie KI-Abfrageoperatoren für die semantische Filterung verwenden, um neue Möglichkeiten in SQL zu nutzen. Vektorsuchergebnisse mit LLMs und semantischen Rankingmodellen bewerten, um die Genauigkeit der Vektorsuche zu verbessern. In dieser Anleitung werden ein semantisches Ranking-Modell der Agent Platform in AlloyDB und generative KI-Modelle der Agent Platform verwendet.
KI-basierte App für Outfit-Empfehlungen mit AlloyDB und serverlosen Laufzeiten erstellen Im folgenden Codelab erfahren Sie, wie Sie mit AlloyDB AI und serverlosen Laufzeiten eine KI-basierte App für Outfit-Empfehlungen erstellen. Darin wird erklärt, wie Nutzer ein Bild von Kleidung hochladen und KI-gestützte Stilempfehlungen und Visualisierungen erhalten können.

In diesem Codelab werden Technologien wie AlloyDB AI, Gemini 2.0 und Imagen 3 verwendet, um eine Webanwendung zu erstellen, die in der serverlosen Cloud Run-Laufzeit bereitgestellt wird. Google Cloud
Anwendung erstellen, die eine Datenbankabfrage über Ihren KI-Agenten oder eine generative KI-Anwendung aufruft Im folgenden Codelab erfahren Sie, wie Sie eine Anwendung erstellen, die mithilfe der GenAI-Toolbox für Datenbanken eine einfache AlloyDB-Abfrage ausführt, die Sie über den KI-Agenten oder eine generative KI-Anwendung aufrufen können.
Personalisierten Mode-Styling-Assistenten erstellen und bereitstellen In den folgenden Codelabs erfahren Sie, wie Sie mit Gemini, Modellendpunktverwaltung, Vektorsuche, Agent Platform und Agenten einen personalisierten Stilassistenten erstellen und bereitstellen.
LLM- und RAG-basierte Chatanwendung mit AlloyDB AI und LangChain erstellen In diesem Codelab erfahren Sie, wie Sie den GenAI Databases Retrieval Service bereitstellen und mit der neu eingerichteten Umgebung eine interaktive Beispielanwendung erstellen.
Einen Chatbot erstellen, der Fragen zu Filmen beantwortet In dieser Anleitung erfahren Sie, wie Sie einen GenAI-Chatbot mit Gemini, der Agent Platform und der AlloyDB-LangChain-Integration erstellen. Sie erfahren, wie Sie strukturierte Daten aus Ihrer Datenbank extrahieren, Einbettungen generieren und Ihre Daten so formatieren, dass Sie eine Vektorsuche in einer RAG-Anwendung (Retrieval-Augmented Generation) durchführen können.

Verwenden Sie eine Filmdatenbank, um Ihr LLM mit Informationen zu den beliebtesten Filmen zu fundieren. Die Fundierung trägt dazu bei, dass die LLM-Ausgabe korrekt und relevant ist.
Suchanwendung für einen Spielzeugladen erstellen Im folgenden Codelab erfahren Sie, wie Sie eine personalisierte und nahtlose Suche für einen Spielzeugladen erstellen. Dazu verwenden Sie die kontextbezogene Suche und die benutzerdefinierte Generierung des Produkts, das zum Suchkontext passt.

Sie verwenden pgvector und Erweiterungen für generative KI-Modelle in AlloyDB, eine Echtzeit-Kosinus-Ähnlichkeitssuche, Gemini 2.0 Flash und die Gen AI Toolbox for Databases.
AlloyDB Omni und ein lokales KI-Modell in Kubernetes bereitstellen In diesem Codelab erfahren Sie, wie Sie AlloyDB Omni in der Google Kubernetes Engine (GKE) bereitstellen und mit einem offenen Einbettungsmodell verwenden, das im selben Kubernetes-Cluster bereitgestellt ist.
RAG-Anwendung mit LangChain auf der Agent Platform bereitstellen In dieser Anleitung erfahren Sie, wie Sie mit dem Agent Platform SDK for Python und der AlloyDB-LangChain-Integration einen KI-Agenten erstellen und bereitstellen.

Hier erfahren Sie, wie Sie Agenten und Vektoren mit LangChain verwenden, um eine Ähnlichkeitssuche durchzuführen und zugehörige Daten abzurufen, um LLM-Antworten zu fundieren.
Hybridsuche und KI-Funktionen in Ihre Suchanwendung einbinden In dieser Demo werden die KI-Funktionen von Google Cloud AlloyDB veranschaulicht. Dabei wird die Hybridsuche, einschließlich SQL-, Vektor- und Volltextsuche, mit KI-Funktionen kombiniert und auf ein Beispiel-E‑Commerce-Dataset von Cymbal Shops angewendet.
Daten aus einer Vektordatenbank zu AlloyDB migrieren In der folgenden Anleitung wird beschrieben, wie Sie Daten aus einer Drittanbieter-Vektordatenbank mithilfe von LangChain-Vektorspeichern zu AlloyDB migrieren.

Die folgenden Vektordatenbanken werden unterstützt: Pinecone, Weaviate, Chroma, Qdrant und Milvus.
Multimodale hybride Produktsuche ausführen In diesem Notebook wird gezeigt, wie Sie eine hybride Suche in AlloyDB für Cymbal Shops durchführen, einen fiktiven Einzelhändler mit einer großen E-Commerce-Präsenz. Das Notebook kombiniert multimodale Vektoreinbettungen, Volltextsuche (Generalized Inverted Index) und dünnbesetzte BM25-Einbettungen (pgvector 0.7.0+) mit Re-Ranking über Reciprocal Rank Fusion für eine verbesserte Produktsuche.
Mit einem Vektorindex eine Ähnlichkeitssuche durchführen, um relevante Produkte zu finden In diesem Codelab erfahren Sie, wie Sie AlloyDB AI-Funktionen wie die Modellendpunktverwaltung und die Vektorsuche verwenden, um relevante Produkte zu finden.

Hier erfahren Sie, wie Sie mit der Verwaltung von Modellendpunkten Einbettungen für Ihre Datenbankdaten generieren und Ihre Betriebsdaten für Vektorähnlichkeitssuchen verwenden. In dieser Anleitung werden ein Agent Platform-Einbettungsmodell in AlloyDB und generative KI-Modelle der Agent Platform verwendet.
MCP Toolbox for Databases mit AlloyDB AI verwenden, um konversationelle Produktsuchen zu erstellen Hier erfahren Sie, wie Sie mit der MCP Toolbox for Databases, AlloyDB AI und der Vektorsuche einen KI-Agenten für den Einzelhandel erstellen, der das Einkaufserlebnis revolutioniert. In dieser Anleitung werden die Funktionen des KI-Agenten demonstriert, von der Produktsuche im Dialog bis hin zur Aufgabe von Bestellungen.

Nächste Schritte