Opciones de bases de datos vectoriales en el motor de RAG de Agent Platform de Gemini Enterprise

El motor de RAG de Agent Platform admite los controles de seguridad de VPC-SC y CMEK. No se admiten los controles de seguridad de residencia de datos ni de AXT.

La instancia de Spanner administrada por el motor de RAG de la plataforma de agentes de Gemini Enterprise se usa como base de datos de vectores y está disponible de forma general con la facturación habilitada. Para obtener más información, consulta la facturación de RAG Engine de la plataforma de agentes de Gemini Enterprise.

En esta página, se presentan las bases de datos vectoriales compatibles con el motor de RAG de la plataforma de agentes de Gemini Enterprise. También puedes ver cómo conectar una base de datos de vectores (almacén de vectores) a tu corpus de RAG.

Las bases de datos vectoriales desempeñan un papel fundamental en la recuperación de información para las aplicaciones de RAG. Las bases de datos de vectores ofrecen una forma especializada de almacenar y consultar embeddings de vectores, que son representaciones matemáticas de texto o de otros datos que capturan el significado y las relaciones semánticas. Los embeddings de vectores permiten que los sistemas de RAG encuentren de forma rápida y precisa la información más pertinente dentro de una vasta base de conocimiento, incluso cuando se trata de consultas complejas o matizadas. Cuando se combinan con un modelo de embedding, las bases de datos vectoriales pueden ayudar a superar las limitaciones de los LLM y proporcionar respuestas más precisas, pertinentes y completas.

Bases de datos vectoriales compatibles

Cuando creas un corpus de RAG, el motor de RAG de la plataforma de agentes de Gemini Enterprise ofrece RagManagedDb listo para la empresa como la base de datos de vectores predeterminada, que no requiere aprovisionamiento ni administración adicionales. RagManagedDb ofrece opciones de búsqueda de KNN y ANN, y permite cambiar a un nivel básico para realizar prototipos y experimentos rápidos. Para obtener más información sobre cómo elegir una estrategia de recuperación en RagManagedDb o para actualizar el nivel, consulta Usa RagManagedDb con RAG. Para que el motor de RAG de la plataforma de agentes de Gemini Enterprise cree y administre automáticamente la base de datos de vectores por ti, consulta Recurso de REST: projects.locations.ragCorpora .

Además del RagManagedDb predeterminado, el motor de RAG de la plataforma de agentes de Gemini Enterprise te permite aprovisionar y usar tu base de datos vectorial dentro de tu corpus de RAG. En este caso, eres responsable del ciclo de vida y la escalabilidad de tu base de datos de vectores.

Compara las opciones de bases de datos vectoriales

En esta tabla, se enumeran las bases de datos vectoriales compatibles con el motor de RAG de la plataforma de agentes de Gemini Enterprise y se proporcionan vínculos a páginas que explican cómo usar las bases de datos vectoriales en tu corpus de RAG.

Base de datos de vectores	Beneficios	Ideal para	Desventajas	Métricas de distancia admitidas	Tipo de búsqueda	Etapa de lanzamiento
RagManagedDb (predeterminado) es un servicio de base de datos escalable distribuido regionalmente que ofrece una coherencia muy alta y alta disponibilidad, y se puede usar para una búsqueda de vectores. fácil simple rápido	No requiere configuración. Es adecuado para casos de uso a gran y pequeña escala. Es muy coherente. Alta disponibilidad. Latencia baja Excelente para cargas de trabajo transaccionales. La CMEK está habilitada.	Generar documentos de gran volumen Compilación de RAG a escala empresarial Desarrollar una prueba de concepto rápida Proporciona una sobrecarga de aprovisionamiento y mantenimiento baja. Usar con chat bots Compilar aplicaciones de RAG	Para lograr una recuperación óptima, la función de ANN requiere que se vuelva a compilar el índice después de realizar cambios importantes en tus datos.	cosine	KNN (predeterminado) y ANN	Disponible de manera general
Vector Search es el servicio de base de datos de vectores dentro de Agent Platform que está optimizado para las tareas de aprendizaje automático.	Se integra con otros servicios de Google Cloud . La infraestructura admite la escalabilidad y la confiabilidad. Google Cloud Utiliza precios de pago por uso.	Generar documentos de gran volumen Compilación de RAG a escala empresarial Administrar la infraestructura de la base de datos vectorial Clientes Google Cloud existentes o cualquier persona que desee usar varios Google Cloud servicios.	Las actualizaciones no se reflejan de inmediato. Compromiso con un solo proveedor con Google Cloud. Podría ser más costoso según tus casos de uso.	cosine dot-product	ANN	Disponible de manera general
Vertex AI Feature Store es un servicio administrado para organizar, almacenar y entregar atributos de aprendizaje automático.	Se integra con Agent Platform de Gemini Enterprise y otros Google Cloud servicios. La infraestructura admite la escalabilidad y la confiabilidad. Google Cloud Aprovecha la infraestructura existente de BigQuery.	Generar documentos de gran volumen Compilación de RAG a escala empresarial Administrar la infraestructura de la base de datos vectorial Clientes existentes Google Cloud o clientes que desean usar varios Google Cloud servicios	Los cambios solo están disponibles en la tienda en línea después de que se realiza una sincronización manual. Compromiso con un solo proveedor con Google Cloud.	cosine dot-product L2 squared	ANN	Vista previa
Weaviate es una base de datos de vectores de código abierto que es flexible y modular.	Admite varios tipos de datos y ofrece funciones de gráficos integradas. Proporciona código abierto y una comunidad activa. Son muy flexibles y personalizables. Admite diversos tipos de datos y módulos para diferentes modalidades, como texto e imágenes. Puedes elegir entre proveedores de servicios en la nube, como Google Cloud, AWS y Azure.	Generar documentos de gran volumen Compilación de RAG a escala empresarial Administrar la infraestructura de la base de datos vectorial Clientes existentes de Weaviate	Las actualizaciones no se reflejan de inmediato. Puede ser más complejo de configurar y administrar. El rendimiento puede variar según la configuración.	cosine dot-product L2 squared hamming manhattan	Compatibilidad con la búsqueda híbrida y la ANN	Vista previa
Pinecone es una base de datos de vectores nativa de la nube y completamente administrada, diseñada para una búsqueda de similitud de alto rendimiento.	Comienza rápidamente. Excelente escalabilidad y rendimiento Enfócate en la búsqueda vectorial con funciones avanzadas, como el filtrado y la búsqueda de metadatos. Puedes elegir entre proveedores de servicios en la nube, como Google Cloud, AWS y Azure.	Generar documentos de gran volumen Compilación de RAG a escala empresarial Administrar la infraestructura de la base de datos vectorial Clientes existentes de Pinecone	Las actualizaciones no se reflejan de inmediato. Puede ser más costosa que las otras opciones. Las cuotas y los límites restringen la escala y el rendimiento. Control limitado sobre la infraestructura subyacente.	cosine euclidean dot-product	ANN	Disponible de manera general

¿Qué sigue?

• Para crear un corpus de RAG, consulta Método: ragCorpora.create

• Para enumerar el corpus de RAG, consulta Método: ragCorpora.list