Auf generativer KI basierende Anwendungen erstellen

Auf dieser Seite werden einige KI-Anwendungsfälle für AlloyDB for PostgreSQL beschrieben. Außerdem finden Sie Links zu Codelabs, Notebooks und Tutorials, mit denen Sie Ansätze ausprobieren oder Ihre Anwendung entwickeln können.

Anwendungsfall Beschreibung
Patentsuchen beschleunigen und Suchgenauigkeit verbessern In diesen Codelabs erfahren Sie, wie Sie die Patentrecherche mithilfe der Vektorsuche in Kombination mit AlloyDB, der pgvector-Erweiterung, Einbettungen, Gemini 1.5 Pro und dem Java Agent Development Kit 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 nutzen.

Hier erfahren Sie, wie Sie verschiedene Arten von Suchen durchführen, darunter die textbasierte semantische Suche, die Bildersuche nach Bild und die Bildersuche nach Text, sowie einen hybriden Ansatz, bei dem verschiedene Suchtypen kombiniert werden.
SQL-Generierung mit KI-basierter Natural Language-Funktionen von AlloyDB Dieses Codelab bietet eine detaillierte Anleitung zur Verwendung der Natural Language-Funktion von AlloyDB AI zum Generieren von SQL-Abfragen.

In diesem Codelab wird anhand eines fiktiven E-Commerce-Datasets gezeigt, wie Sie Fragen in natürlicher Sprache (Englisch) stellen und AlloyDB AI diese in SQL übersetzen lassen können.
Semantische Filter anwenden und Vektorsuchergebnisse neu ranken, um die Suchqualität zu verbessern In diesem Codelab wird gezeigt, wie Sie AlloyDB AI-Funktionen wie KI-Abfrageoperatoren, Modellendpunktverwaltung und Vektorsuche verwenden können, um die Suchqualität zu verbessern und semantische Filter zu nutzen.

Hier erfahren Sie, wie Sie KI-Abfrageoperatoren für die semantische Filterung verwenden, um neue Möglichkeiten in SQL zu erschließen. Sie können die Ergebnisse der Vektorsuche mit LLMs und semantischen Ranking-Modellen einstufen, um die Genauigkeit der Vektorsuche zu verbessern. In dieser Anleitung wird 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 In diesem Codelab wird gezeigt, 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-basierte Style-Empfehlungen und Visualisierungen erhalten können.

In diesem Codelab werden Google Cloud Technologien wie AlloyDB AI, Gemini 2.0 und Imagen 3 verwendet, um eine Webanwendung zu erstellen, die in der serverlosen Laufzeit von Cloud Run bereitgestellt wird.
Anwendung erstellen, die eine Datenbankabfrage über den KI-Agenten oder eine generative KI-Anwendung aufruft Im folgenden Codelab wird gezeigt, wie Sie eine Anwendung erstellen, die mithilfe der GenAI-Toolbox für Datenbanken eine einfache AlloyDB-Anfrage ausführt, die Sie über den KI-Agenten oder eine generative KI-Anwendung aufrufen können.
Einen personalisierten Mode-Styling-Assistenten erstellen und bereitstellen In den folgenden Codelabs erfahren Sie, wie Sie einen personalisierten Style-Assistenten mit Gemini, Modellendpunktverwaltung, Vektorsuche, Agent Platform und Agenten 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 dann mit der neu eingerichteten Umgebung eine interaktive Beispielanwendung erstellen.
Einen Chatbot erstellen, der Fragen zu Filmen beantwortet In diesem Tutorial erfahren Sie, wie Sie einen generativen KI-Chatbot erstellen, der Gemini, die Agent Platform und die AlloyDB LangChain-Integration verwendet. 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 verankern. Durch die Fundierung wird sichergestellt, dass die LLM-Ausgabe korrekt und relevant ist.
Suchanwendung für einen Spielzeugladen erstellen In diesem Codelab erfahren Sie, wie Sie eine personalisierte und nahtlose Suche in einem Spielzeuggeschäft mithilfe der kontextbezogenen Suche und der benutzerdefinierten Generierung des Produkts, das dem Suchkontext entspricht, erstellen.

Sie verwenden pgvector- und generative KI-Modellerweiterungen 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 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 einen Agenten mit dem Agent Platform SDK for Python und der AlloyDB LangChain-Integration erstellen und bereitstellen.

Hier erfahren Sie, wie Sie mit LangChain Agents und Vektoren 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 hybride Suche mit SQL-, Vektor- und Volltextsuche in KI-Funktionen integriert. Alle Funktionen werden 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 Vektordatenbank eines Drittanbieters 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, einem 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 einer Ähnlichkeitssuche mit einem Vektorindex relevante Produkte 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 mit Ihren Betriebsdaten Vektorähnlichkeitssuchen durchführen. In dieser Anleitung wird ein Agent Platform-Einbettungsmodell in AlloyDB und generative KI-Modelle der Agent Platform verwendet.
Mit der MCP Toolbox for Databases und AlloyDB AI Konversationssuchen für Produkte erstellen Hier erfahren Sie, wie Sie mit der MCP Toolbox for Databases, AlloyDB AI und der Vektorsuche einen Shopping-KI-Agenten erstellen, der Ihr Einzelhandelserlebnis revolutionieren kann. In dieser Anleitung wird gezeigt, was der KI-Agent alles kann – von der Suche nach Produkten bis hin zur Aufgabe von Bestellungen.

Nächste Schritte