La búsqueda de similitud de vectores, también conocida como búsqueda de vecino más cercano, en
AlloyDB para PostgreSQL te permite encontrar las filas de tu base de datos que son más
similares semánticamente a un vector de consulta. Después de almacenar e indexar embeddings,
puedes usar operadores pgvector y funciones de distancia para consultar tu
base de datos de AlloyDB en busca de vecinos más cercanos.
Para obtener más información sobre cómo almacenar embeddings de vectores y crear un índice, consulta Almacena embeddings de vectores y Crea índices, respectivamente.
Ejecuta una búsqueda de similitud con entrada de vectores
Para ejecutar una búsqueda de similitud, especifica la tabla, la columna de incorporación,
la función de distancia, la incorporación de destino y la cantidad de filas que se mostrarán. También puedes
usar la función embedding() para traducir texto en un vector y, luego,
comparar el vector con los embeddings almacenados con los operadores pgvector.
Para encontrar los vecinos semánticos más cercanos de un vector de embedding, puedes ejecutar la siguiente consulta de ejemplo, en la que configuras la misma función de distancia que usaste durante la creación del índice.
SELECT * FROM TABLE
ORDER BY EMBEDDING_COLUMN DISTANCE_FUNCTION_QUERY 'EMBEDDING'
LIMIT ROW_COUNT;
Reemplaza lo siguiente:
TABLE: Es la tabla que contiene la incorporación con la que se comparará el texto.EMBEDDING_COLUMN: Es la columna que contiene las incorporaciones almacenadas.DISTANCE_FUNCTION_QUERY: Es la función de distancia que se usará con esta consulta. Elige una de las siguientes opciones según la función de distancia que se usó cuando se creó el índice:Distancia de L2:
<->Producto interno:
<#>Distancia de coseno:
<=>
EMBEDDING: es el vector de embedding del que deseas encontrar los vecinos semánticos almacenados más cercanos.ROW_COUNT: cantidad de filas que se mostrarán.Especifica
1si solo deseas la mejor coincidencia.
Para obtener más información sobre otros ejemplos de consultas, consulta Consultas.
Ejecuta una búsqueda por similitud con pgvector y una entrada de texto
También puedes usar la función embedding() para
traducir el texto a un vector y encontrar las filas de la base de datos con los embeddings semánticamente
más similares. La extensión pgvector de PostgreSQL estándar se
personaliza para AlloyDB y se denomina vector. Aplica
el vector a uno de los operadores de vecino más cercano de pgvector, por ejemplo,
<=> para la distancia de coseno.
Debido a que embedding() muestra un array real, debes convertir de forma explícita la llamada embedding() en vector para usar estos valores con operadores pgvector.
CREATE EXTENSION IF NOT EXISTS vector;
SELECT * FROM TABLE
ORDER BY EMBEDDING_COLUMN
<=> google_ml.embedding('MODEL_IDVERSION_TAG', 'TEXT')::vector
LIMIT ROW_COUNT;
Reemplaza lo siguiente:
MODEL_ID: el ID del modelo que se consultará.Si usas Model Garden, especifica
text-embedding-005como el ID del modelo. Estos son los modelos basados en la nube que AlloyDB puede usar para los embeddings de texto. Para obtener más información, consulta Embeddings de texto.VERSION_TAG(opcional): es la etiqueta de la versión del modelo que se consultará. Agrega@a la etiqueta.Si usas uno de los modelos de
text-embedding-005en inglés con Gemini Enterprise Agent Platform, especifica una de las etiquetas de versión, por ejemplo,text-embedding-005, que se indican en Versiones de modelos.Google recomienda enfáticamente que siempre especifiques la etiqueta de versión. Si no especificas la etiqueta de versión, AlloyDB usa la versión más reciente del modelo, lo que podría generar resultados inesperados.
TABLE: Es la tabla que se consultará.EMBEDDING_COLUMN: Es la columna que contiene las incorporaciones almacenadas.TEXT: es el texto que se traducirá en una embedding de vector.ROW_COUNT: cantidad de filas que se mostrarán.
Para acelerar tu búsqueda de KNN filtrada, puedes usar el motor de columnas de AlloyDB. Para obtener más información, consulta Acelera tu búsqueda de vectores filtrada y Configura el motor de columnas.
¿Qué sigue?
- Tutorial de Vector Search
- Ajusta el rendimiento de las consultas vectoriales
- Métricas de índices vectoriales
- Aprende a crear un asistente de compras inteligente con AlloyDB, pgvector y la administración de extremos de modelos.
- Obtén más información sobre la referencia de administración de extremos de modelos.