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」。

嵌入的運作方式

假設在 AlloyDB 上執行的資料庫具有下列特性：

  • 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項目的申訴內容，但這些申訴內容會以純文字形式儲存，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 SELECT * FROM item WHERE complaints LIKE "%wrong color%" 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。complaints

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。

如要產生嵌入，請選取下列其中一個結構定義。

事前準備

如要讓 AlloyDB 生成嵌入內容，請按照下列步驟操作：

生成嵌入項目

使用 google_ml.embedding() SQL 函式呼叫文字嵌入模型。

如要呼叫模型並生成嵌入，請執行下列查詢：

SELECT
 google_ml.embedding( 
   model_id => 'MODEL_ID',
   content => 'CONTENT');

更改下列內容：

  • MODEL_ID：合格的模型 ID，例如 gemini-embedding-001。
  • CONTENT：要翻譯成向量嵌入的文字。

生成嵌入的範例

本節列出一些範例，說明如何使用已註冊的模型端點生成嵌入。

Gemini 嵌入模型

如要為已註冊的 gemini-embedding-001 模型端點產生嵌入內容，請執行下列陳述式：

   SELECT
     google_ml.embedding(
       model_id => 'gemini-embedding-001',
       content => 'AlloyDB is a managed, cloud-hosted SQL database service');

如果 AlloyDB 叢集和 Vertex AI 端點位於不同專案，請將 model_id 設為端點的合格路徑，例如 projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/gemini-embedding-001。

如要為已註冊的 gemini-embedding-001 模型端點產生嵌入內容，請執行下列陳述式：

   SELECT
     google_ml.embedding(
       model_id => 'gemini-embedding-001',
       content => 'AlloyDB is a managed, cloud-hosted SQL database service');

OpenAI 嵌入模型

如要為 OpenAI 的已註冊text-embedding-ada-002模型端點產生嵌入內容，請執行下列陳述式：

   SELECT
     google_ml.embedding(
       model_id => 'text-embedding-ada-002',
       content => 'e-mail spam');

如要為 OpenAI 註冊的 text-embedding-3-small 或 text-embedding-3-large 模型端點產生嵌入內容，請執行下列陳述式：

 SELECT
   google_ml.embedding(
     model_id => 'text-embedding-3-small',
     content => 'Vector embeddings in AI');

後續步驟