Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

使用 AI 函式執行智慧型 SQL 查詢

AlloyDB AI 函式可將 Gemini 等大型語言模型 (LLM)，直接與 AlloyDB for PostgreSQL 資料整合，讓您結合自然語言和 SQL 查詢。透過語意篩選 (ai.if)、語意排序 (ai.rank) 和文字生成 (ai.generate) 的內建函式，應用程式可使用 AI 模型處理資料，包括單列查詢和大規模資料庫作業。

AI 函式分為三類，差異在於處理輸入資料和記憶體配置的方式：純量、陣列和游標函式。選擇合適的 AI 函式時，應考量資料規模和效能需求。請參閱下表，瞭解這些函式和用途：

類別	說明	建議用途
純量	專為基本的一對一處理而設計。接受單一輸入內容，並傳回單一輸出內容。	如要使用基本函式，為純量函式呼叫次數較少 (少於 50 次) 的查詢提供可接受的效能，請使用這個函式。
以陣列為基礎	在單一函式呼叫中，將資料處理為資料列陣列。以陣列做為輸入內容，並傳回陣列做為輸出內容。	適用於中小型資料集，其中符合條件的資料列陣列可容納在記憶體限制內。這可為集合式作業提供高處理量。
Cursor	接受游標做為輸入內容，並傳回游標做為輸出內容。	用於處理大量資料列，例如 10,000 列。

事前準備

確認已安裝 google_ml_integration 擴充功能，且使用的是 1.5.2 以上版本。如要進一步提升陣列型函式的效能，請使用 1.5.4 以上版本。
確認 google_ml_integration.enable_ai_query_engine 旗標已設為 on。
與 Gemini Enterprise Agent Platform 整合。
使用所在地區支援的 Gemini 模型。 Gemini 2.5 Flash Lite 是 AI 查詢引擎的預設模型，如未在查詢中指定 Gemini 模型，系統會選擇 AI 查詢引擎預設模型。

與 Agent Platform 整合並安裝擴充功能

設定 Agent Platform 模型的存取權。
確認已安裝最新版本的 google_ml_integration。
1. 如要檢查已安裝的版本，請執行下列指令：
```
SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
extversion 
------------
1.5.2
(1 row)
```
2. 如果未安裝擴充功能，或安裝的版本低於 1.5.2，請更新擴充功能。
```
CREATE EXTENSION IF NOT EXISTS google_ml_integration;
ALTER EXTENSION google_ml_integration UPDATE;
```
  如果執行上述指令時發生問題，或執行上述指令後，擴充功能未更新至 1.5.2 版，請與 Google Cloud 支援團隊聯絡。
如要使用 AlloyDB AI 查詢引擎功能，請將 google_ml_integration.enable_ai_query_engine 旗標設為 on。
SQL
1. 為目前的工作階段啟用 AI 查詢引擎。
  SET google_ml_integration.enable_ai_query_engine = on;
2. 為特定資料庫啟用跨工作階段功能。
  ALTER DATABASE DATABASE_NAME SET google_ml_integration.enable_ai_query_engine = 'on';
3. 為特定使用者啟用 AI 查詢引擎，適用於所有工作階段和資料庫。
  ALTER ROLE postgres SET google_ml_integration.enable_ai_query_engine = 'on';
控制台

如要修改 google_ml_integration.enable_ai_query_engine 旗標的值，請按照「設定執行個體的資料庫旗標」一文中的步驟操作。
gcloud

如要使用 gcloud CLI，您可以安裝並初始化 Google Cloud CLI，或使用 Cloud Shell。

您可以修改 google_ml_integration.enable_ai_query_engine 旗標的值。詳情請參閱「設定執行個體的資料庫旗標」。
```
gcloud alloydb instances update INSTANCE_ID \
  --database-flags google_ml_integration.enable_ai_query_engine=on \
  --region=REGION_ID \
  --cluster=CLUSTER_ID \
  --project=PROJECT_ID
```

使用所在地區支援的 Gemini 模型

如果 AlloyDB for PostgreSQL 叢集位於不支援 gemini-2.5-flash-lite 的區域，您可以使用 model_id parameter，在所在區域使用其他可用的 Gemini 模型。

或者，您也可以註冊 Gemini 模型端點，並將該模型 ID 提供給 AI 運算子。詳情請參閱「使用模型端點管理功能註冊及呼叫遠端 AI 模型」。

以下範例說明如何註冊其他 Gemini 端點。在本例中，第二個 Gemini 端點是 gemini-2.5-flash-lite 的全域端點。您可以將 model_id => 'gemini-2.5-flash-lite-global' 做為額外引數傳遞，搭配 AI 運算子使用這個已註冊的模型。

CALL
  google_ml.create_model(
    model_id => 'gemini-2.5-flash-lite-global',
    model_type => 'llm',
    model_provider => 'google',
    model_qualified_name => 'gemini-2.5-flash-lite',
    model_request_url =>  'https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-2.5-flash-lite:generateContent',
    model_auth_type => 'alloydb_service_agent_iam'
);

使用 Gemini 3.0 模型

部分 Gemini 模型 (例如 gemini-3.0-pro-preview) 只能透過全域端點使用。您必須按照下列方式註冊這類模型：

CALL
  google_ml.create_model(
    model_id => 'gemini-3-preview-model',
    model_request_url => 'https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3-pro-preview:generateContent',
    model_qualified_name => 'gemini-3-pro-preview',
    model_provider => 'google',
    model_type => 'llm',
    model_auth_type => 'alloydb_service_agent_iam'
);

將 PROJECT_ID 替換為可使用 Agent Platform 模型的專案 ID。AlloyDB 服務帳戶必須在該專案中具備 Vertex AI 使用者角色。

註冊模型後，即可在 AI 函式中使用，如下所示：

SELECT ai.generate(prompt => 'What is AlloyDB?', model_id => 'gemini-3-preview-model');

在查詢中使用篩選器

AlloyDB AI 提供 AI 輔助的 SQL 函式，可讓您直接在資料庫查詢中使用自然語言處理和 LLM，包括 ai.if 和 ai.rank 運算子。

使用純量函式執行篩選

如要評估是否符合以自然語言陳述的條件，請使用 ai.if/google_ml.if 運算子。函式會傳回布林值 true 或 false，如果無法清楚偵測輸出內容，則會傳回 false。

- Function signature
FUNCTION ai.if(prompt TEXT, model_id VARCHAR(100) DEFAULT NULL) RETURNS bool

以下範例說明如何使用 ai.if 運算子做為篩選條件，找出位於人口超過 10 萬的城市，且獲得超過 500 則好評的餐廳。這個範例使用 restaurant_reviews，並包含評論和城市位置等資料。ai.if 運算符可協助你瞭解評論情緒，並將資料庫中的位置與 Gemini 對這些位置人口的一般知識結合。

SELECT r.name, r.location_city
FROM restaurant_reviews r
WHERE
  AI.IF(r.location_city || ' has a population OF more than 100,000 AND the following is a positive review; Review: ' || r.review)
GROUP BY r.name, r.location_city
HAVING COUNT(*) > 500;

以下是使用您在「使用您所在區域支援的 Gemini 模型」中註冊的模型，針對相同問題的回答。

SELECT r.name, r.location_city
FROM restaurant_reviews r
WHERE
  AI.IF(r.location_city || ' has a population of more than 100,000 AND the following is a positive review; Review: ' || r.review, model_id => 'gemini-2.5-flash-lite')
GROUP BY r.name, r.location_city
HAVING COUNT(*) > 500;

對使用 if 運算子的查詢執行聯結

如要執行聯結作業，請搭配使用 ai.if/google_ml.if 運算子和 join。下列查詢範例會找出提及餐廳菜單中各個菜單品項的評論數量。

    SELECT item_name, COUNT(*)
    FROM menu_items JOIN user_reviews
      ON ai.if(
        prompt => 'Does the following user review talk about the menu item mentioned ? review: ' || user_reviews.review_text || ' menu item: ' || item_name)
    GROUP BY item_name;

使用陣列型函式執行篩選

下列範例使用 AI 模型 (gemini-2.5-flash-lite) 分析評論情緒並篩選結果，找出正面評論超過 10 則的餐廳。ARRAY_AGG 會將個別資料列轉換為結構化陣列，讓 AI 模型能大量處理資料，而非一次處理一列。

WITH initial_arrays AS (
  SELECT
    ARRAY_AGG(r.id ORDER BY r.id) AS review_ids,
    -- Assuming ai.if takes an array of prompts and returns a boolean array
    ai.if(
      prompts => ARRAY_AGG('Is the review positive: ' || r.review ORDER BY r.id),
      model_id => 'gemini-2.5-flash-lite',
      batch_size => 20
    ) AS truth_values
  FROM restaurant_reviews r
),
reviews AS (
SELECT
  initial_arrays.review_ids[i] AS review_id,
  initial_arrays.truth_values[i] AS truth_value
FROM
  initial_arrays,
  generate_series(1, array_length(initial_arrays.review_ids, 1)) AS i
)
SELECT rest_review.location_city, rest_review.name
FROM restaurant_reviews rest_review JOIN reviews review ON rest_review.id=review.review_id
WHERE review.truth_value = 't'
GROUP BY rest_review.location_city, rest_review.name
HAVING COUNT(*) > 10;

使用游標篩選

以下範例說明如何透過游標串流，篩選大量餐廳評論。

CREATE TABLE filtered_results(input text, result bool);

DO $$
DECLARE
    prompt_cursor REFCURSOR;
    result_cursor REFCURSOR;
    rec RECORD;
BEGIN
    -- 1. Open a cursor for the input data
    OPEN prompt_cursor FOR
        SELECT r.location_city || ' has a population of > 100,000 and is a positive review; Review: ' || r.review
        FROM restaurant_reviews r;

    -- 2. Call the array-based function using the input cursor
    result_cursor := ai.if(
        'Is the given statement true? ',
        prompt_cursor,
        model_id => 'gemini-2.5-flash-lite'
    );

    -- 3. Fetch results from the output cursor and store them
    LOOP
        FETCH result_cursor INTO rec;
        EXIT WHEN NOT FOUND;
        INSERT INTO filtered_results VALUES(rec.input, rec.output);
    END LOOP;

    CLOSE result_cursor;
END $$;

文字生成和摘要

AlloyDB AI 提供文字生成運算子，例如純量 ai.generate，以及陣列式和游標式 ai.generate。

如要進一步瞭解運算子函式和參數，請參閱「運算子函式參考資料」。如需特定文字工作的專屬指南，請參閱「摘要內容」和「分析文字情緒」。

使用純量函式生成文字

ai.generate 函式會結合提供的資料和使用者提示，生成文字。

-- Function signature
FUNCTION ai.generate(
  prompt TEXT,
  model_id VARCHAR(100) DEFAULT NULL)
RETURNS TEXT

舉例來說，您可以使用下列查詢，生成每則使用者評論的簡短摘要。

SELECT
  ai.generate(
    prompt => 'Summarize the review in 20 words or less. Review: ' || review) AS review_summary
FROM user_reviews;

使用陣列型函式生成文字

這個 ai.generate 函式可讓您批次生成多個提示的文字。

-- Function signature
FUNCTION ai.generate(
  prompts TEXT[],
  batch_size INT DEFAULT NULL,
  model_id VARCHAR(100) DEFAULT NULL)
RETURNS TEXT[]

下列查詢使用 UNNEST 和 ai.generate，有效率地總結多則評論。

SELECT
  UNNEST(
    ai.generate(
      prompts => ARRAY_AGG('Summarize the review in 20 words or less. Review: ' || review),
      model_id => 'gemini-2.5-flash-lite'
    )
  ) AS review_summary
FROM user_reviews;

使用游標生成文字

如要為數百萬列資料生成摘要或翻譯，且不希望遇到記憶體瓶頸，請使用游標批次生成。

-- Function signature
FUNCTION ai.generate(
  prompt TEXT,
  input_cursor REFCURSOR,
  batch_size INT DEFAULT NULL,
  model_id VARCHAR(100) DEFAULT NULL)
RETURNS REFCURSOR

以下範例說明如何使用游標，為大量文字生成摘要。

CREATE TABLE summary_results(summary text);

DO $$
DECLARE
    prompt_cursor REFCURSOR;
    summary_cursor REFCURSOR;
    rec RECORD;
BEGIN
    OPEN prompt_cursor FOR SELECT review_text FROM user_reviews ORDER BY id;

    summary_cursor := ai.generate(
        'Summarize the review in 20 words or less. Review:',
        prompt_cursor
    );

    LOOP
        FETCH summary_cursor INTO rec;
        EXIT WHEN NOT FOUND;
        INSERT INTO summary_results VALUES(rec.output);
    END LOOP;

    CLOSE summary_cursor;
END $$;

為查詢結果評分

如需使用自訂自然語言指令排序查詢結果，請使用 ai.rank 運算子。

使用純量函式執行評分作業

您可以使用下列函式提供提示，說明排名條件，並為每個項目傳回分數。

-- Function signature
FUNCTION ai.rank(prompt TEXT, model_id VARCHAR(100) DEFAULT NULL) RETURNS real

舉例來說，下列查詢會使用 LLM 的評分，取得最正面的前 20 則餐廳評論。

SELECT review AS top20
FROM user_reviews
ORDER BY ai.rank(
  'Score the following review according to these rules:
  (1) Score OF 8 to 10 IF the review says the food IS excellent.
  (2) 4 to 7 IF the review says the food is ok.
  (3) 1 to 3 IF the review says the food is not good. Here is the review:' || review) DESC
LIMIT 20;

使用陣列型函式評分

這項 ai.rank 函式可根據自訂自然語言指令，為查詢結果評分和排序。

-- Function signature
FUNCTION ai.rank(
  prompts TEXT[],
  batch_size INT DEFAULT NULL,
  model_id VARCHAR(100) DEFAULT NULL)
RETURNS real[]

下列查詢使用 UNNEST 和 ai.rank，有效率地為多則評論評分。

SELECT
  UNNEST(
    ai.rank(
      ARRAY_AGG('Score the following review according to these rules:
  (1) Score OF 8 to 10 IF the review says the food IS excellent.
  (2) 4 to 7 IF the review says the food is ok.
  (3) 1 to 3 IF the review says the food is not good. Here is the review:' || review)
    )
  ) as review_scores
FROM user_reviews;

使用游標評分

這個函式用於對大型資料集評分，不會達到記憶體限制。

-- Function signature
FUNCTION ai.rank(
  prompt TEXT,
  input_cursor REFCURSOR,
  batch_size INT DEFAULT NULL,
  model_id VARCHAR(100) DEFAULT NULL)
RETURNS REFCURSOR

以下範例說明如何根據特定自然語言條件，為大量文字評分。

CREATE TABLE scored_results(input text, score real);

DO $$
DECLARE
    prompt_cursor REFCURSOR;
    score_cursor REFCURSOR;
    rec RECORD;
BEGIN
    OPEN prompt_cursor FOR SELECT review FROM user_reviews ORDER BY id;

    score_cursor := ai.rank(
        'Score the following review: (1) 8-10 if excellent, (2) 4-7 if ok, (3) 1-3 if not good. Review:',
        prompt_cursor
    );

    LOOP
        FETCH score_cursor INTO rec;
        EXIT WHEN NOT FOUND;
        INSERT INTO scored_results VALUES(rec.input, rec.output);
    END LOOP;

    CLOSE score_cursor;
END $$;