Criar apps de IA generativa

O AlloyDB para PostgreSQL é compatível com uma ampla variedade de casos de uso de IA generativa, incluindo pesquisa semântica, geração aumentada por recuperação (RAG) e agentes com tecnologia de IA. Confira os codelabs, notebooks e tutoriais a seguir para avaliar abordagens arquitetônicas e acelerar o desenvolvimento de aplicativos.

Caso de uso Descrição
Acelerar as pesquisas de patentes e a precisão das pesquisas Estes codelabs mostram como melhorar a pesquisa de patentes usando a busca vetorial com o AlloyDB, a extensão pgvector, embeddings, o Gemini e o Kit de Desenvolvimento de Agente (ADK) para Java.
Gerar embeddings multimodais no AlloyDB Este codelab demonstra como usar os recursos da IA do AlloyDB para pesquisa semântica usando embeddings multimodais.

Aprenda Mais sobre como realizar diferentes tipos de pesquisa, incluindo pesquisa semântica baseada em texto, pesquisa por imagens por imagem e pesquisa por imagens por texto, além de uma abordagem híbrida que combina diferentes tipos de pesquisa.
Gerar SQL usando a linguagem natural da IA do AlloyDB Este codelab é um guia explicativo sobre como usar o recurso de linguagem natural da IA do AlloyDB para gerar consultas SQL.

O codelab usa um conjunto de dados de e-commerce fictício para demonstrar como fazer perguntas em linguagem natural (inglês) e fazer com que a IA do AlloyDB as traduza para SQL.
Aplicar filtros semânticos e reclassificar os resultados da pesquisa vetorial para melhorar a qualidade da pesquisa Neste codelab, mostramos como usar os recursos de IA do AlloyDB, como operadores de consulta de IA, gerenciamento de endpoints de modelo e busca vetorial, para melhorar a qualidade da pesquisa e usar filtros semânticos.

Saiba como usar operadores de consulta de IA para filtragem semântica e desbloquear novas experiências no SQL. Classifique os resultados da pesquisa vetorial usando LLMs e modelos de classificação semântica para melhorar a precisão da busca vetorial. Neste tutorial, usamos um modelo de classificação semântica da Agent Platform no AlloyDB e modelos de IA generativa da Agent Platform.
Criar um app de recomendação de roupas com tecnologia de IA usando o AlloyDB e ambientes de execução sem servidor O codelab a seguir mostra como criar um app de recomendação de roupas com tecnologia de IA usando a IA do AlloyDB e ambientes de execução sem servidor. Ele explica como os usuários podem fazer upload de uma foto de uma peça de roupa e receber recomendações e visualizações de estilo baseadas em IA.

O codelab usa tecnologias do Google Cloud , como AlloyDB AI, Gemini 2.0 e Imagen 3, para criar um aplicativo da Web implantado no ambiente de execução sem servidor do Cloud Run.
Criar um aplicativo que invoque uma consulta de banco de dados do seu agente ou de um aplicativo de IA generativa O codelab a seguir mostra como criar um aplicativo que usa a Toolbox for Databases de IA generativa para executar uma consulta simples do AlloyDB que pode ser invocada pelo seu agente ou por um aplicativo de IA generativa.
Criar e implantar um assistente de estilo de moda personalizado Os codelabs a seguir mostram como criar e implantar um assistente de estilo personalizado com o modelo do Gemini, o gerenciamento de endpoints de modelo, a busca vetorial, a Agent Platform e os agentes.
Criar um aplicativo de chat baseado em LLM e RAG usando a IA do AlloyDB e o LangChain Este codelab orienta você na implantação do Serviço de Recuperação de Bancos de Dados de IA Generativa e mostra como criar um aplicativo interativo de amostra usando o ambiente recém-configurado.
Criar um chatbot para responder a perguntas sobre filmes Neste tutorial, mostramos como criar um chatbot de IA generativa que usa o Gemini, a Agent Platform e a integração do AlloyDB com o LangChain. Você vai aprender a extrair dados estruturados do seu banco de dados, gerar embeddings e formatar seus dados para realizar uma pesquisa vetorial em um aplicativo de geração aumentada por recuperação (RAG).

Use um banco de dados de filmes para embasar seu LLM com informações sobre os filmes mais populares. O embasamento ajuda a garantir que a saída do LLM seja precisa e relevante.
Criar um app de pesquisa de loja de brinquedos O codelab a seguir mostra como criar uma experiência de pesquisa personalizada e integrada em uma loja de brinquedos usando a pesquisa contextual e a geração personalizada do produto que corresponde ao contexto da pesquisa.

Você vai usar o pgvector e as extensões de modelo de IA generativa no AlloyDB, uma pesquisa de similaridade de cosseno em tempo real, o Gemini 2.0 Flash e a Toolbox for Databases de IA generativa.
Implantar o AlloyDB Omni e um modelo de IA local no Kubernetes Neste codelab, você vai aprender a implantar o AlloyDB Omni no Google Kubernetes Engine (GKE) e usá-lo com um modelo de embedding aberto implantado no mesmo cluster do Kubernetes.
Implantar um aplicativo de RAG com o LangChain na Agent Platform Neste tutorial, mostramos como criar e implantar um agente usando o SDK da Plataforma de Agentes para Python e a integração do AlloyDB com o LangChain.

Saiba como usar agentes e vetores com o LangChain para realizar uma pesquisa de similaridade e recuperar dados relacionados para fundamentar as respostas do LLM.
Integrar a pesquisa híbrida e as funções de IA ao seu aplicativo de pesquisa Esta demonstração ilustra os recursos de IA do Google Cloud AlloyDB, integrando a pesquisa híbrida, incluindo SQL, vetor e pesquisa de texto completo com funções de IA, tudo aplicado a um conjunto de dados de e-commerce de amostra da Cymbal Shops.
Migrar dados de um banco de dados vetorial para o AlloyDB O tutorial a seguir descreve como migrar dados de um banco de dados de vetores de terceiros para o AlloyDB usando repositórios de vetores do LangChain.

Os seguintes bancos de dados vetoriais são compatíveis: Pinecone, Weaviate, Chroma, Qdrant e Milvus.
Realizar uma pesquisa de produtos híbrida multimodal Neste notebook, mostramos como realizar uma pesquisa híbrida no AlloyDB para a Cymbal Shops, uma loja de varejo fictícia com uma grande presença no e-commerce. O notebook combina embeddings de vetores multimodais, pesquisa de texto completo (índice invertido generalizado) e embeddings esparsos BM25 (pgvector 0.7.0+) com reclassificação de Reciprocal Rank Fusion para melhorar a pesquisa de produtos.
Usar uma pesquisa de similaridade com um índice vetorial para encontrar produtos relevantes Neste codelab, mostramos como usar os recursos de IA do AlloyDB, como o gerenciamento de endpoints de modelos e a pesquisa vetorial, para encontrar produtos relevantes.

Saiba como gerar embeddings usando o gerenciamento de endpoints de modelo nos dados do banco de dados e usar os dados operacionais para realizar pesquisas de similaridade vetorial. Neste tutorial, usamos um modelo de embedding da Agent Platform no AlloyDB e modelos de IA generativa da Agent Platform.
Usar o MCP Toolbox for Databases com a AlloyDB AI para criar pesquisas de produtos conversacionais Saiba como usar o MCP Toolbox for Databases, o AlloyDB AI e a pesquisa vetorial para criar um agente de IA de compras projetado para transformar sua experiência de varejo. Este tutorial demonstra os recursos do agente, desde pesquisas de produtos em conversas até a realização de pedidos.

A seguir