Crea applicazioni basate sull'AI generativa

AlloyDB per PostgreSQL supporta un'ampia gamma di casi d'uso di AI generativa, tra cui la ricerca semantica, la Retrieval-Augmented Generation (RAG) e gli agenti basati sull'AI. Puoi esplorare i seguenti codelab, notebook e tutorial per valutare gli approcci architetturali e accelerare lo sviluppo delle tue applicazioni.

Caso d'uso Descrizione
Accelera le ricerche di brevetti e la precisione della ricerca Questi codelab mostrano come migliorare la ricerca di brevetti utilizzando la ricerca vettoriale insieme ad AlloyDB, l'estensione pgvector, gli embedding, Gemini e Java Agent Development Kit (ADK).
Genera embedding multimodali in AlloyDB Questo codelab mostra come utilizzare le funzionalità di AlloyDB AI per la ricerca semantica utilizzando gli embedding multimodali.

Scopri come eseguire diversi tipi di ricerche, tra cui la ricerca semantica basata su testo, la ricerca di immagini per immagine e la ricerca di immagini per testo, nonché un approccio ibrido che combina diversi tipi di ricerca.
Genera SQL utilizzando il linguaggio naturale di AlloyDB AI Questo codelab fornisce una guida passo passo su come utilizzare la funzionalità di linguaggio naturale di AlloyDB AI per generare query SQL.

Il codelab utilizza un set di dati di e-commerce fittizio per dimostrare come puoi porre domande in linguaggio naturale (inglese) e fare in modo che AlloyDB AI le traduca in SQL.
Applica filtri semantici e riordina i risultati di ricerca vettoriale per migliorare la qualità della ricerca Questo codelab mostra come utilizzare le funzionalità di AI di AlloyDB, come gli operatori di query AI, la gestione degli endpoint dei modelli e la Vector Search, per migliorare la qualità della ricerca e utilizzare i filtri semantici.

Scopri come utilizzare gli operatori di query AI per il filtro semantico per sbloccare nuove esperienze in SQL. Classifica i risultati di ricerca di Vector Search utilizzando LLM e modelli di ranking semantico per migliorare l'accuratezza di Vector Search. Questo tutorial utilizza un modello di ranking semantico di Agent Platform in AlloyDB e modelli di AI generativa di Agent Platform.
Crea un'app di suggerimenti per gli outfit basata sull'AI con AlloyDB e runtime serverless Il seguente codelab mostra come creare un'app di suggerimenti per gli outfit basata sull'AI con AlloyDB AI e runtime serverless. Spiega come gli utenti possono caricare un'immagine di un capo di abbigliamento e ricevere consigli di stile e visualizzazioni basati sull'AI.

Il codelab utilizza Google Cloud tecnologie come AlloyDB AI, Gemini 2.0 e Imagen 3 per creare un'applicazione web di cui viene eseguito il deployment nel runtime serverless di Cloud Run.
Crea un'applicazione che richiama una query di database dal tuo agente o da un'applicazione di AI generativa Il seguente codelab mostra come creare un'applicazione che utilizza Gen AI Toolbox for Databases per eseguire una semplice query AlloyDB che può essere richiamata dall'agente o da un'applicazione di AI generativa.
Crea ed esegui il deployment di un assistente di stile di moda personalizzato I seguenti codelab mostrano come creare ed eseguire il deployment di un assistente di stile personalizzato con Gemini, la gestione degli endpoint dei modelli, Vector Search, Agent Platform e gli agenti.
Crea un'applicazione di chat basata su LLM e RAG utilizzando AlloyDB AI e LangChain Questo codelab ti guida nel deployment del servizio di recupero di database di AI generativa e ti mostra come creare un'applicazione interattiva di esempio utilizzando l'ambiente appena configurato.
Crea un chatbot per rispondere a domande sui film Questo tutorial mostra come creare un chatbot AI generativa che utilizza Gemini, Agent Platform e l'integrazione di AlloyDB LangChain. Scoprirai come estrarre dati strutturati dal tuo database, generare embedding e formattare i dati in modo da poter eseguire la Vector Search in un'applicazione di Retrieval-Augmented Generation (RAG).

Utilizza un database di film per fornire al tuo LLM informazioni sui film più popolari. Il grounding contribuisce a garantire che l'output dell'LLM sia accurato e pertinente.
Crea un'app di ricerca per un negozio di giocattoli Il seguente codelab mostra come creare un'esperienza di ricerca personalizzata e fluida per un negozio di giocattoli utilizzando la ricerca contestuale e la generazione personalizzata del prodotto corrispondente al contesto di ricerca.

Utilizzerai le estensioni pgvector e del modello di AI generativa in AlloyDB, una ricerca di somiglianza del coseno in tempo reale, Gemini 2.0 Flash e Gen AI Toolbox for Databases.
Esegui il deployment di AlloyDB Omni e di un modello di AI locale su Kubernetes In questo codelab imparerai a eseguire il deployment di AlloyDB Omni su Google Kubernetes Engine (GKE) e a utilizzarlo con un modello di embedding aperto di cui è stato eseguito il deployment nello stesso cluster Kubernetes.
Esegui il deployment di un'applicazione RAG con LangChain su Agent Platform Questo tutorial mostra come creare ed eseguire il deployment di un agente utilizzando l'SDK Agent Platform per Python e l'integrazione di AlloyDB LangChain.

Scopri come utilizzare agenti e vettori con LangChain per eseguire una ricerca di somiglianze e recuperare dati correlati per basare le risposte dell'LLM.
Integra la ricerca ibrida e le funzioni AI nella tua applicazione di ricerca Questa demo illustra le funzionalità di AI di Google Cloud AlloyDB, integrando la ricerca ibrida, tra cui la ricerca SQL, vettoriale e a testo intero, con le funzioni AI, tutte applicate a un set di dati di e-commerce di esempio di Cymbal Shops.
Esegui la migrazione dei dati da un database vettoriale ad AlloyDB Il seguente tutorial descrive come eseguire la migrazione dei dati da un database vettoriale di terze parti ad AlloyDB sfruttando i vector store di LangChain.

Sono supportati i seguenti database vettoriali: Pinecone, Weaviate, Chroma, Qdrant e Milvus.
Esegui una ricerca di prodotti ibrida multimodale Questo notebook mostra come eseguire una ricerca ibrida in AlloyDB per Cymbal Shops, un rivenditore fittizio con una grande presenza nell'e-commerce. Il notebook combina vector embedding multimodali, ricerca a testo intero (Generalized Inverted Index) ed embedding sparsi BM25 (pgvector 0.7.0+) con riclassificazione Reciprocal Rank Fusion per una ricerca dei prodotti migliorata.
Utilizza una ricerca di similarità utilizzando un indice vettoriale per trovare i prodotti pertinenti Questo codelab mostra come utilizzare le funzionalità di AlloyDB AI, come la gestione degli endpoint dei modelli e la ricerca vettoriale, per trovare i prodotti pertinenti.

Scopri come generare embedding utilizzando la gestione degli endpoint del modello sui dati del database e utilizza i dati operativi per eseguire ricerche di somiglianza vettoriale. Questo tutorial utilizza un modello di embedding di Agent Platform in AlloyDB e modelli di AI generativa di Agent Platform.
Utilizza MCP Toolbox for Databases con AlloyDB AI per creare ricerche di prodotti conversazionali Scopri come utilizzare MCP Toolbox for Databases, AlloyDB AI e Vector Search per creare un agente AI per lo shopping progettato per trasformare la tua esperienza di vendita al dettaglio. Questo tutorial illustra le funzionalità dell'agente, dalle ricerche di prodotti conversazionali all'invio di ordini.

Passaggi successivi