生成文字嵌入

google_ml_integration 擴充功能會在兩個不同的命名空間中嵌入函式：public 和 google_ml。本頁說明如何使用這些命名空間中的函式生成文字嵌入。

public 架構中的 embedding() 函式可搭配任何 Vertex AI 嵌入模型使用，無須註冊端點。如要傳遞任何自訂資訊 (例如工作類型)，請註冊端點，然後在 google_ml 結構定義中使用 google_ml.embedding() 函式。如要進一步瞭解如何註冊端點，請參閱「註冊模型」。

注意：如要使用最新功能和模型 (包括 Gemini 嵌入模型)，請先執行 upgrade_to_preview_version 程序，安裝預覽功能：

CALL google_ml.upgrade_to_preview_version();

嵌入的運作方式

假設資料庫在 AlloyDB 上執行，且具有下列特性：

• 資料庫包含資料表 items。這份表格的每一列都說明貴商家銷售的項目。

• items 資料表包含 complaints 資料欄。這個 TEXT 欄會儲存買家對各個項目的申訴記錄。

• 資料庫會與 Vertex AI Model Garden 整合，因此可存取gemini-embedding-001英文模型。

雖然這個資料庫會儲存有關商品的申訴內容，但這些申訴內容是以純文字形式儲存，因此難以查詢。舉例來說，如要查看收到錯誤顏色商品的顧客最常抱怨哪些項目，您可以在資料表上執行一般 SQL 查詢，尋找各種關鍵字相符項目。不過，這種做法只會比對包含這些完全相符關鍵字的資料列。

舉例來說，如果 complaints 欄位只包含 The picture shows a blue one, but the one I received was red，則 SELECT * FROM item WHERE complaints LIKE "%wrong color%" 等基本 SQL 查詢不會傳回資料列。

使用 LLM 輔助嵌入的 SQL 查詢，有助於針對這類查詢傳回語意相似的回覆。套用嵌入後，您可以在這個範例中查詢資料表，找出與指定文字提示 (例如 It was the wrong color) 語意相似的項目。

注意：在 Google Cloud 控制台中監控用量和配額時，請注意模型名稱可能與文件中使用的名稱不同。

• 對於 text-embedding-005 模型， Google Cloud 控制台中的 base_model 維度為 textembedding-gecko。

  相關配額為 Regional online prediction requests per base model per minute per region per base_model。

• 對於 gemini-embedding-001 模型，base_model 維度為 gemini-embedding。

  相關配額為 Embed content input tokens per minute per region per base_model 和 Regional online prediction requests per base model per minute per region per base_model。

如要產生基本嵌入內容，請選取下列其中一個結構定義。

google_ml 架構 公開架構

後續步驟

• 執行向量相似度搜尋。
• 瞭解如何運用 AlloyDB、pgvector 和模型端點管理服務，打造智慧購物助理。
• 建立索引和查詢向量。
• 瞭解嵌入工作流程範例。