AlloyDB para PostgreSQL admite una amplia variedad de casos de uso de IA generativa, como la búsqueda semántica, la generación mejorada por recuperación (RAG) y los agentes potenciados por IA. Puedes explorar los siguientes codelabs, notebooks y instructivos para evaluar los enfoques de arquitectura y acelerar el desarrollo de tu aplicación.
| Caso de uso | Descripción |
|---|---|
| Acelera las búsquedas de patentes y la precisión de las búsquedas | En estos codelabs, se muestra cómo mejorar la investigación de patentes con la búsqueda de vectores junto con AlloyDB, la extensión pgvector, los embeddings, Gemini y el Kit de desarrollo de agentes (ADK) de Java. |
| Genera embeddings multimodales en AlloyDB | En este codelab, se muestra cómo usar las capacidades de AlloyDB AI para la búsqueda semántica con embeddings multimodales. Aprende a realizar diferentes tipos de búsquedas, como la búsqueda semántica basada en texto, la búsqueda de imágenes por imagen y la búsqueda de imágenes por texto, así como un enfoque híbrido que combina diferentes tipos de búsqueda. |
| Genera SQL con lenguaje natural de AlloyDB AI | En este codelab, se proporciona una guía paso a paso para usar la función de lenguaje natural de AlloyDB AI para generar consultas en SQL. En el codelab, se usa un conjunto de datos de comercio electrónico ficticio para demostrar cómo puedes hacer preguntas en lenguaje natural (inglés) y hacer que AlloyDB AI las traduzca a SQL. |
| Aplicar filtros semánticos y volver a clasificar los resultados de la búsqueda de vectores para mejorar la calidad de la búsqueda | En este codelab, se muestra cómo usar las funciones de AlloyDB AI, como los operadores de consultas de IA, la administración de extremos de modelos y la búsqueda de vectores, para ayudarte a mejorar la calidad de la búsqueda y usar filtros semánticos. Aprende a usar los operadores de AI Query para el filtrado semántico y acceder a nuevas experiencias en SQL. Clasifica los resultados de la búsqueda de vectores con LLM y modelos de clasificación semántica para mejorar la exactitud de tu búsqueda de vectores. En este instructivo, se usa un modelo de clasificación semántica de Agent Platform en AlloyDB y modelos de IA generativa de Agent Platform. |
| Crea una app de recomendación de atuendos potenciada por IA con AlloyDB y entornos de ejecución sin servidores | En el siguiente codelab, se muestra cómo crear una app de recomendación de atuendos potenciada por IA con AlloyDB AI y entornos de ejecución sin servidores. Explica cómo los usuarios pueden subir una foto de una prenda y recibir recomendaciones y visualizaciones de estilo basadas en IA. En el codelab, se usan tecnologías de Google Cloud , como AlloyDB AI, Gemini 2.0 e Imagen 3, para crear una aplicación web implementada en el entorno de ejecución sin servidores de Cloud Run. |
| Compilar una aplicación que invoque una consulta de base de datos desde tu agente o una aplicación de IA generativa | En el siguiente codelab, se muestra cómo compilar una aplicación que use la caja de herramientas de IA generativa para bases de datos para realizar una consulta simple de AlloyDB que puedas invocar desde tu agente o desde una aplicación de IA generativa. |
| Compila e implementa un asistente de estilo de moda personalizado | En los siguientes codelabs, se muestra cómo compilar e implementar un asistente de estilo personalizado con Gemini, la administración de extremos de modelos, la búsqueda de vectores, Agent Platform y los agentes. |
| Crea una aplicación de chat basada en LLM y RAG con AlloyDB AI y LangChain | En este codelab, se te guiará para implementar el servicio de recuperación de bases de datos de IA generativa y, luego, se te mostrará cómo crear una aplicación interactiva de muestra con el entorno que acabas de configurar. |
| Crea un chatbot para responder preguntas sobre películas | En este instructivo, se muestra cómo crear un chatbot de IA generativa que use Gemini, Agent Platform y la integración de AlloyDB con LangChain. Aprenderás a extraer datos estructurados de tu base de datos, generar embeddings y darles formato a tus datos para que puedas realizar búsquedas de vectores en una aplicación de generación mejorada por recuperación (RAG). Usa una base de datos de películas para fundamentar tu LLM con información sobre las películas más populares. La fundamentación ayuda a garantizar que el resultado del LLM sea preciso y pertinente.
|
| Crea una app de búsqueda para una juguetería | En el siguiente codelab, se muestra cómo crear una experiencia de búsqueda personalizada y fluida en una tienda de juguetes con la búsqueda contextual y la generación personalizada del producto que coincide con el contexto de búsqueda. Usarás pgvector y extensiones de modelos de IA generativa en AlloyDB, una búsqueda de similitud de coseno en tiempo real, Gemini 2.0 Flash y Gen AI Toolbox para bases de datos. |
| Implementa AlloyDB Omni y un modelo de IA local en Kubernetes | En este codelab, aprenderás a implementar AlloyDB Omni en Google Kubernetes Engine (GKE) y a usarlo con un modelo de embedding abierto implementado en el mismo clúster de Kubernetes. |
| Implementa una aplicación de RAG con LangChain en Agent Platform | En este instructivo, se muestra cómo crear e implementar un agente con el SDK de Agent Platform para Python y la integración de LangChain de AlloyDB. Aprende a usar agentes y vectores con LangChain para realizar una búsqueda de similitud y recuperar datos relacionados para fundamentar las respuestas de LLM. |
| Integrar la búsqueda híbrida y las funciones de IA en tu aplicación de búsqueda | En esta demostración, se ilustran las capacidades de IA de Google Cloud AlloyDB, que integra la búsqueda híbrida, incluidas las búsquedas de SQL, de vectores y en el texto completo, con funciones de IA, todo aplicado a un conjunto de datos de comercio electrónico de ejemplo de Cymbal Shops. |
| Migra datos de una base de datos de vectores a AlloyDB | En el siguiente instructivo, se describe cómo migrar datos de una base de datos de vectores de terceros a AlloyDB con los almacenes de vectores de LangChain. Se admiten las siguientes bases de datos vectoriales: Pinecone, Weaviate, Chroma, Qdrant y Milvus. |
| Realiza una búsqueda de productos híbrida multimodal | En este notebook, se muestra cómo realizar una búsqueda híbrida en AlloyDB para Cymbal Shops, una tienda ficticia con una gran presencia en el comercio electrónico. En el notebook, se combinan embeddings de vector multimodales, búsqueda en el texto completo (índice invertido generalizado) y embeddings dispersos BM25 (pgvector 0.7.0 o versiones posteriores) con la fusión por clasificación recíproca para mejorar la búsqueda de productos. |
| Usar una búsqueda de similitud con un índice de vectores para encontrar productos relevantes | En este codelab, se muestra cómo usar las funciones de IA de AlloyDB, como la administración de extremos de modelos y la Vector Search, para ayudarte a encontrar productos relevantes. Aprende a generar embeddings con la administración de extremos de modelos en los datos de tu base de datos y a usar tus datos operativos para realizar búsquedas de similitud de vectores. En este instructivo, se usa un modelo de incorporación de Agent Platform en AlloyDB y modelos de IA generativa de Agent Platform. |
| Usa MCP Toolbox para bases de datos con AlloyDB AI para crear búsquedas de productos conversacionales | Aprende a usar MCP Toolbox para bases de datos, AlloyDB AI y Vector Search para crear un agente de IA de compras diseñado para transformar tu experiencia de venta minorista. En este instructivo, se muestran las capacidades del agente, desde las búsquedas conversacionales de productos hasta la realización de pedidos. |
¿Qué sigue?
- Crea índices.
- Registra y llama a modelos de IA remotos con la administración de extremos de modelos.
- Obtén más información sobre el rendimiento de las consultas vectoriales de ScaNN.