Auf generativer KI basierende Anwendungen erstellen

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

Anwendungsfall Beschreibung
Patentrecherche und Suchgenauigkeit beschleunigen In diesen Codelabs erfahren Sie, wie Sie die Patentrecherche mit 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.

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 natürlicher Sprache von AlloyDB AI Dieses Codelab bietet eine detaillierte Anleitung zur Verwendung der Funktion für natürliche Sprache von AlloyDB AI zum Generieren von SQL-Abfragen.

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

Sie lernen, wie Sie KI-Abfrageoperatoren für die semantische Filterung verwenden, um neue Möglichkeiten in SQL zu nutzen. Ordnen Sie Vektorsuchergebnisse mit LLMs und semantischen Ranking-Modellen neu, um die Genauigkeit der Vektorsuche zu verbessern. In diesem Tutorial 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. Es wird erklärt, wie Nutzer ein Bild von Kleidung hochladen und KI-basierte Stilvorschläge und Visualisierungen erhalten können.

Im 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 von Ihrem Agenten oder einer generativen 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 GenAI-Anwendung aufrufen können.
Personalisierten Modeassistenten erstellen und bereitstellen In den folgenden Codelabs erfahren Sie, wie Sie mit Gemini, der Modellendpunktverwaltung, der Vektorsuche, der Agent Platform und Agenten einen personalisierten Stilassistenten erstellen und bereitstellen.
LLM- und RAG-basierte Chatanwendung mit AlloyDB AI und LangChain erstellen In diesem Codelab werden Sie durch die Bereitstellung des GenAI Databases Retrieval Service geführt. Anschließend erfahren Sie, wie Sie mit der neu eingerichteten Umgebung eine interaktive Beispielanwendung erstellen.
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 lernen, wie Sie strukturierte Daten aus Ihrer Datenbank extrahieren, Einbettungen generieren und Ihre Daten so formatieren, dass Sie eine Vektorsuche in einer Retrieval-Augmented Generation (RAG)-Anwendung durchführen können.

Verwenden Sie eine Filmdatenbank, um Ihr LLM mit Informationen zu den beliebtesten Filmen zu trainieren. Durch das Grounding wird sichergestellt, dass die LLM-Ausgabe korrekt und relevant ist.
Suchanwendung für einen Spielzeugladen erstellen Im folgenden Codelab erfahren Sie, wie Sie mit der kontextbezogenen Suche und der benutzerdefinierten Generierung des Produkts, das dem Suchkontext entspricht, eine personalisierte und nahtlose Suche für einen Spielzeugladen erstellen.

Sie verwenden pgvector- und generative KI-Modellerweiterungen in AlloyDB, eine Echtzeit-Cosinus-Ähnlichkeitssuche, Gemini 2.0 Flash und die GenAI-Toolbox für Datenbanken.
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 diesem Tutorial erfahren Sie, wie Sie mit dem Agent Platform SDK for Python und der AlloyDB LangChain-Integration einen Agenten erstellen und bereitstellen.

Sie lernen, wie Sie mit Agenten und Vektoren mit LangChain eine Ähnlichkeitssuche durchführen und zugehörige Daten abrufen, um LLM-Antworten zu trainieren.
Hybride Suche 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 eingebunden. Alle Funktionen werden auf ein Beispiel-E‑Commerce-Dataset von Cymbal Shops angewendet.
Daten aus einer Vektordatenbank zu AlloyDB migrieren Im folgenden Tutorial wird beschrieben, wie Sie Daten aus einer Vektordatenbank eines Drittanbieters zu AlloyDB migrieren und dabei LangChain-Vektorspeicher nutzen.

Folgende Vektordatenbanken werden unterstützt: Pinecone, Weaviate, Chroma, Qdrant und Milvus.
Multimodale hybride Produktsuche ausführen In diesem Notebook erfahren Sie, 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 einer Ähnlichkeitssuche mithilfe eines Vektorindex relevante Produkte finden In diesem Codelab erfahren Sie, wie Sie AlloyDB AI-Funktionen wie die Modellendpunktverwaltung und die Vektorsuche nutzen können, um relevante Produkte zu finden.

Sie lernen, wie Sie mit der Modellendpunktverwaltung Einbettungen für Ihre Datenbankdaten generieren und Ihre Betriebsdaten verwenden, um Vektorähnlichkeitssuchen durchzuführen. In diesem Tutorial werden ein Einbettungsmodell der Agent Platform in AlloyDB und generative KI-Modelle der Agent Platform verwendet.
Mit der MCP Toolbox for Databases und AlloyDB AI konversationelle Produktsuchen erstellen Hier erfahren Sie, wie Sie mit der MCP Toolbox for Databases, AlloyDB AI und der Vektorsuche einen KI-Agenten für den Einkauf erstellen, der Ihr Einzelhandelserlebnis verändern soll. In diesem Tutorial werden die Funktionen des Agenten veranschaulicht, von konversationellen Produktsuchen bis hin zur Bestellung.

Nächste Schritte