本页面介绍了 AlloyDB for PostgreSQL 的一些 AI 应用场景，并提供了指向 Codelab、笔记本和教程的链接，您可以使用这些资源来探索相关方法或帮助您开发应用。
| 使用场景 | 说明 |
|---|---|
| 加快专利搜索速度并提高搜索精度 | 这些 Codelab 将向您展示如何结合使用 AlloyDB、 pgvector 扩展程序、嵌入、Gemini 1.5 Pro 和 Java Agent Development Kit 来改进专利研究。 |
| 在 AlloyDB 中生成多模态嵌入 | 此 Codelab 演示了如何使用 AlloyDB AI 的功能通过多模态嵌入进行语义搜索。 了解如何执行不同类型的搜索，包括基于文本的语义搜索、基于图片的图片搜索、基于文本的图片搜索，以及将不同搜索类型相结合的混合方法。
|
| 使用 AlloyDB AI 自然语言生成 SQL | 此 Codelab 提供了有关如何使用 AlloyDB AI 的自然语言功能生成 SQL 查询的分步指南。 此 Codelab 使用虚构的电子商务数据集来演示如何使用自然语言（英语）提出问题，并让 AlloyDB AI 将其转换为 SQL。
|
| 应用语义过滤条件并对向量搜索结果进行重新排名，以提高搜索质量 | 此 Codelab 将向您展示如何使用 AlloyDB AI 功能（例如 AI 查询运算符、模型端点管理和 向量搜索）来帮助您提高搜索质量并使用语义过滤器。 了解如何使用 AI 查询运算符进行语义过滤，以解锁 SQL 中的新体验。使用 LLM 和 语义排名模型对向量搜索结果进行排名，以提高向量搜索的准确性。本教程使用 AlloyDB 中的 Vertex AI 语义排名模型和 Vertex AI 生成式 AI 模型。
|
| 使用 AlloyDB 和无服务器运行时构建 AI 赋能的服装推荐应用 | 以下 Codelab 展示了如何使用 AlloyDB AI 和无服务器运行时构建 AI 赋能的服装推荐应用。该页面介绍了用户如何上传服装图片，并获得 AI 驱动的风格建议和可视化效果。 此 Codelab 使用 AlloyDB AI、Gemini 2.0 和 Imagen 3 等 Google Cloud 技术来创建部署在 Cloud Run 无服务器运行时中的 Web 应用。 |
| 构建一个应用，该应用可从您的代理或生成式 AI 应用调用数据库查询 | 以下 Codelab 展示了如何构建一个使用 Gen AI Toolbox for Databases 的应用，以执行简单的 AlloyDB 查询，您可以从智能体或生成式 AI 应用中调用该查询。 |
| 构建和部署个性化时尚造型助理 | 以下 Codelab 展示了如何使用 Gemini、模型端点管理、向量搜索、Vertex AI 和代理构建并部署个性化风格助理。
|
| 使用 AlloyDB AI 和 LangChain 构建基于 LLM 和 RAG 的聊天应用 | 此 Codelab 将引导您部署 GenAI Databases Retrieval Service，然后向您展示如何使用新设置的环境构建示例交互式应用。 |
| 创建聊天机器人来回答有关电影的问题 | 本教程将介绍如何构建一个使用 Gemini、Vertex AI 和 AlloyDB LangChain 集成的生成式 AI 聊天机器人。您将学习如何从数据库中提取结构化数据、生成嵌入，以及设置数据格式，以便在检索增强生成 (RAG) 应用中执行向量搜索。 使用电影数据库为 LLM 提供有关最热门电影的信息。接地有助于确保 LLM 输出准确且相关。 |
| 创建玩具店搜索应用 | 以下 Codelab 将向您展示如何使用情境搜索和自定义生成与搜索情境匹配的商品，打造个性化且顺畅的玩具店搜索体验。 您可以在 AlloyDB 中使用 pgvector 和生成式 AI 模型扩展程序、实时余弦相似度搜索、Gemini 2.0 Flash 和 Gen AI Toolbox for Databases。 |
| 在 Kubernetes 上部署 AlloyDB Omni 和本地 AI 模型 | 在此 Codelab 中，您将学习如何在 GKE 上部署 AlloyDB Omni，并将其与部署在同一 Kubernetes 集群中的开放式嵌入模型搭配使用。 |
| 在 Vertex AI 上使用 LangChain 部署 RAG 应用 | 本教程将介绍如何使用 Vertex AI SDK for Python 和 AlloyDB LangChain 集成来构建和部署智能体。 了解如何将智能体和向量与 LangChain 搭配使用，以执行相似度搜索并检索相关数据，为 LLM 回答提供依据。 |
| 将混合搜索和 AI 查询引擎集成到搜索应用中 | 此演示展示了 Google Cloud AlloyDB 的 AI 功能，将混合搜索（包括 SQL、向量和全文搜索）与 AI 查询引擎集成在一起，所有这些都应用于 Cymbal Shops 的示例电子商务数据集。 |
| 将数据从向量数据库迁移到 AlloyDB | 以下教程介绍了如何利用 LangChain 向量存储区将数据从第三方向量数据库迁移到 AlloyDB。 支持以下向量数据库：Pinecone、Weaviate、Chroma、Qdrant 和 Milvus。 |
| 执行多模态混合商品搜索 | 此笔记本展示了如何在 AlloyDB 中为 Cymbal Shops（一家虚构的电子商务零售商）执行混合搜索。此笔记本将多模态向量嵌入、全文搜索（广义倒排索引）和 BM25 稀疏嵌入 (pgvector 0.7.0+) 与倒数排序融合重新排名相结合，以增强产品搜索功能。 |
| 使用向量索引执行相似度搜索，以查找相关产品 | 本 Codelab 将向您展示如何使用 AlloyDB AI 功能（例如模型端点管理 和向量搜索）来帮助您查找相关产品。 了解如何使用模型端点管理在数据库数据上生成嵌入，以及如何使用运营数据执行向量相似度搜索。本教程使用 AlloyDB 中的 Vertex AI 嵌入模型和 Vertex AI 生成式 AI 模型。
|
| 将 MCP Toolbox for Databases 与 AlloyDB AI 搭配使用，打造对话式产品搜索体验 | 了解如何使用 MCP Toolbox for Databases、AlloyDB AI、AlloyDB AI 和向量搜索来创建旨在转变零售体验的购物 AI 代理。本教程演示了代理的功能，从对话式商品搜索到下单。 |