Opções de banco de dados de vetores no mecanismo RAG

Nesta página, apresentamos os bancos de dados vetoriais compatíveis com o mecanismo RAG. Você também pode conferir como conectar um banco de dados vetorial (armazenamento vetorial) ao seu corpus de RAG.

Os bancos de dados vetoriais têm um papel crucial na recuperação de informações para aplicativos de RAG. Os bancos de dados vetoriais oferecem uma maneira especializada de armazenar e consultar embeddings de vetor, que são representações matemáticas de texto ou outros dados que capturam significado e relações semânticas. Os embeddings de vetor permitem que os sistemas de RAG encontrem de forma rápida e precisa as informações mais relevantes em uma vasta base de conhecimento, mesmo ao lidar com consultas complexas ou com nuances. Quando combinados com um modelo de embedding, os bancos de dados vetoriais podem ajudar a superar as limitações dos LLMs e fornecer respostas mais precisas, relevantes e abrangentes.

Bancos de dados vetoriais compatíveis

Ao criar um corpus de RAG, o RAG Engine oferece o RagManagedDb pronto para empresas como o banco de dados vetorial padrão, que não requer provisionamento ou gerenciamento adicionais. O RagManagedDb oferece opções de pesquisa KNN e ANN e permite alternar para um nível básico para prototipagem e experimentação rápidas. Para saber como escolher uma estratégia de recuperação no RagManagedDb ou atualizar o nível, consulte Usar o RagManagedDb com RAG. Para que o RAG Engine crie e gerencie automaticamente o banco de dados vetorial para você, consulte Recurso REST: projects.locations.ragCorpora .

Além do RagManagedDb padrão, o mecanismo de RAG permite provisionar e usar seu banco de dados vetorial no corpus de RAG. Nesse caso, você é responsável pelo ciclo de vida e pela escalonabilidade do banco de dados vetorial.

Comparar opções de banco de dados vetorial

Esta tabela lista as opções de bancos de dados vetoriais compatíveis com o mecanismo RAG e fornece links para páginas que explicam como usar os bancos de dados vetoriais no corpus RAG.

Banco de dados vetorial   Benefícios   Ideal para   Desvantagens Métricas de distância aceitas Tipo de pesquisa Etapa do lançamento
O RagManagedDb (padrão) é um serviço de banco de dados escalonável distribuído regionalmente que oferece consistência e alta disponibilidade e pode ser usado para uma busca vetorial. fácil simples rápido ágil
  • Não é necessário configurar.
  • Bom para casos de uso em escala empresarial e em pequena escala.
  • Consistência muito alta.
  • Alta disponibilidade.
  • Baixa latência.
  • Excelente para cargas de trabalho transacionais.
  • CMEK ativada.
  • Gerar documentos em grande volume.
  • Criar RAG em escala empresarial.
  • Desenvolver uma prova de conceito rápida.
  • Oferecer baixa sobrecarga de provisionamento e manutenção.
  • Uso com chatbots.
  • Criar aplicativos de RAG.
  • Para um recall ideal, o recurso de RNA exige que o índice seja recriado após grandes mudanças nos dados.
 cosine KNN (padrão) e ANN Disponibilidade geral
A pesquisa vetorial é o serviço de banco de dados vetorial na Agent Platform otimizado para tarefas de machine learning.
  • Integração com outros serviços do Google Cloud .
  • A escalonabilidade e a confiabilidade são compatíveis com a infraestrutura do Google Cloud .
  • Usa preços de pagamento por uso.
  • Gerar documentos em grande volume.
  • Criar RAG em escala empresarial.
  • Gerenciar a infraestrutura do banco de dados vetorial.
  • Clientes Google Cloud atuais ou qualquer pessoa que queira usar vários serviços do Google Cloud .
  • As atualizações não são refletidas imediatamente.
  • Dependência de fornecedor com o Google Cloud.
  • Pode ser mais caro dependendo dos casos de uso.
 cosine

dot-product		 ANN Disponibilidade geral
O Feature Store na Gemini Enterprise Agent Platform é um serviço gerenciado para organizar, armazenar e disponibilizar atributos de machine learning.
  • Integração com a Gemini Enterprise Agent Platform e outros serviços do Google Cloud .
  • A escalonabilidade e a confiabilidade são compatíveis com a infraestrutura do Google Cloud .
  • Aproveita a infraestrutura atual do BigQuery.
  • Gerar documentos em grande volume.
  • Criar RAG em escala empresarial.
  • Gerenciar a infraestrutura do banco de dados vetorial.
  • Clientes Google Cloud atuais ou que querem usar vários serviços do Google Cloud .
  • As mudanças só ficam disponíveis na loja on-line depois que uma sincronização manual é realizada.
  • Dependência de fornecedor com o Google Cloud.
 cosine

dot-product

L2 squared		 ANN Visualizar
O Weaviate é um banco de dados vetorial de código aberto flexível e modular.
  • Oferece suporte a vários tipos de dados e recursos de gráfico integrados.
  • Oferece código aberto e uma comunidade vibrante.
  • Altamente flexível e personalizável.
  • Oferece suporte a diversos tipos de dados e módulos para diferentes modalidades, como texto e imagens.
  • Pode escolher entre provedores de nuvem, como Google Cloud, AWS e Azure.
  • Gerar documentos em grande volume.
  • Criar RAG em escala empresarial.
  • Gerenciar a infraestrutura do banco de dados vetorial.
  • Clientes atuais do Weaviate.
  • As atualizações não são refletidas imediatamente.
  • Pode ser mais complexo de configurar e gerenciar.
  • A performance pode variar de acordo com a configuração.
 cosine

dot-product

L2 squared

hamming

manhattan		 Suporte para pesquisa híbrida + ANN Visualizar
O Pinecone é um banco de dados vetorial nativo da nuvem totalmente gerenciado, projetado para uma pesquisa por similaridade de alto desempenho.
  • Comece a usar rapidamente.
  • Excelente escalonabilidade e desempenho.
  • Foco na pesquisa vetorial com recursos avançados, como filtragem e pesquisa de metadados.
  • Pode escolher entre provedores de nuvem, como Google Cloud, AWS e Azure.
  • Gerar documentos em grande volume.
  • Criar RAG em escala empresarial.
  • Gerenciar a infraestrutura do banco de dados vetorial.
  • Clientes atuais do Pinecone.
  • As atualizações não são refletidas imediatamente.
  • Pode ser mais cara que outras opções.
  • Cotas e limites restringem a escala e o desempenho.
  • Controle limitado sobre a infraestrutura subjacente.
 cosine

euclidean

dot-product		 ANN Disponibilidade geral

A seguir