In dieser interaktiven Demo können Sie Agent Retrieval (ehemals Vector Search 2.0) kennenlernen, die vollständig verwaltete Vektordatenbank für Google Cloud. Mit der Demo können Sie in Millionen von Produkteinträgen suchen. Dabei wird die semantische Suche verwendet , die auf der automatischen Einbettung von Keywords mit Gemini oder der Hybridsuche basiert. Bei der Hybridsuche werden semantische Suche und Keyword-Textsuche mit Reciprocal Rank Fusion (RRF) kombiniert. Die Ergebnisse können neu eingestuft werden . Dazu wird die Ranking API der Gemini Enterprise Agent Platform verwendet.
Vorteile von Agent Retrieval
Bei der Vektorsuche waren separate Einbettungserstellung, Indexbereitstellung und ein Vertex AI Feature Store für Metadaten erforderlich. Agent Retrieval bietet einheitlichen Speicher für Daten und Einbettungen, automatische Einbettungserstellung und integrierte Textsuche, ohne dass Sie die Infrastruktur verwalten müssen.
Testen!
So führen Sie die Demo aus:
Geben Sie im Feld Abfrage eine Beschreibung der Elemente ein, nach denen Sie suchen möchten (z. B.
vintage 1970s pinball machine). Alternativ können Sie auf Abfrage generieren klicken, um automatisch eine Beschreibung zu erstellen.Klicken Sie auf Senden oder drücken Sie die Eingabetaste.
Experimentieren Sie mit den verschiedenen Optionen in der Demo, um sich mit Agent Retrieval und den Grundlagen der Vektorsuche vertraut zu machen. Weitere Informationen finden Sie unter Benutzeroberfläche.
Benutzeroberfläche
In diesem Abschnitt werden die Einstellungen auf der Benutzeroberfläche beschrieben, mit denen Sie die Ergebnisse steuern können, die von Agent Retrieval (ehemals Vector Search 2.0) zurückgegeben werden, und wie sie eingestuft werden.
Dataset
Wählen Sie im Drop-down-Menü Dataset aus, für welches Dataset Agent Retrieval Ihre Abfrage ausführen soll. Informationen zu den einzelnen Datasets finden Sie unter Datasets.
Abfrage
So führen Sie eine Abfrage aus:
Klicken Sie auf Dataset und wählen Sie das Dataset aus, für das die Abfrage ausgeführt werden soll.
Fügen Sie im Feld Abfrage eine Beschreibung hinzu, stellen Sie eine Frage oder geben Sie ein oder mehrere Keywords ein, um die Elemente anzugeben, für die Agent Retrieval Ergebnisse zurückgeben soll. Alternativ können Sie auf Abfrage generieren klicken, um automatisch eine Abfrage zu erstellen.
Führen Sie einen der folgenden Schritte aus:
- Wenn Sie semantisch ähnliche Ergebnisse zurückgeben möchten, wählen Sie Semantisch aus.
- Wenn Sie Ergebnisse basierend auf der Textsyntax der Abfrage zurückgeben möchten, wählen Sie Text aus.
- Wenn Sie eine Hybridsuche durchführen möchten, wählen Sie sowohl Semantisch als auch Text aus.
Wenn Sie semantisch entweder das Dataset Mercari 3M items (128-dim Gemini text embeddings) oder Mercari 3M items (768-dim Gemini text embeddings) abfragen, klicken Sie auf Abfrageaufgabentyp und wählen Sie entweder QUESTION_ANSWERING oder RETRIEVAL_QUERY aus.
Klicken Sie auf Senden oder drücken Sie die Eingabetaste, um die Abfrage auszuführen.
Ändern
Es gibt viele Optionen, mit denen Sie die Ergebnisse ändern können, die von Agent Retrieval (ehemals Vector Search 2.0) für eine Abfrage zurückgegeben werden.
Klicken Sie auf Zeilen und wählen Sie die maximale Anzahl der Suchergebnisse aus, die von Agent Retrieval (ehemals Vector Search 2.0) zurückgegeben werden sollen.
Wählen Sie Semantisch aus, um semantisch ähnliche Ergebnisse zurückzugeben.
Wählen Sie Text aus, um Ergebnisse basierend auf der Textsyntax Ihrer Abfrage zurückzugeben.
Wählen Sie sowohl Semantisch als auch Text aus, um die Hybridsuche zu aktivieren.
Wählen Sie Neu einstufen aus, um die Suchergebnisse basierend auf ihrer Relevanz für die Abfrage neu einzustufen. Weitere Informationen finden Sie unter Such- und RAG-Qualität mit der Ranking API verbessern.
Wählen Sie kNN verwenden aus, um den Algorithmus k-Nearest Neighbors zu verwenden, um Suchergebnisse abzurufen. Da kNN eine Abrufquote von 100% bietet, ist er sehr nützlich für das Debugging oder Testen.
Klicken Sie auf Abfrageaufgabentyp und wählen Sie den zu verwendenden Abfrageaufgabentyp aus. Diese Option ist nur verfügbar, wenn Sie die Datasets Mercari 3M items (128-dim Gemini text embeddings) und Mercari 3M items (768-dim Gemini text embeddings) verwenden. Weitere Informationen zu Abfrageaufgabentypen finden Sie unter Aufgabentyp für Einbettungen auswählen.
Geben Sie im Feld RRF-Alpha einen Wert zwischen 0,0 und 1,0 ein, um den RRF-Ranking-Effekt anzugeben. Diese Option ist nur für die Hybridsuche verfügbar (sowohl Semantisch als auch Text sind ausgewählt).
Alphawerte von:1.0- Ergebnisse nur nach semantischer (dichter) Ähnlichkeit einstufen.0.0- Ergebnisse nur nach Keyword-Relevanz (dünnbesetzt) einstufen.0.5- Ergebnisse mit gleicher Gewichtung für semantische (dichte) Ähnlichkeit und Keyword-Relevanz (dünnbesetzt) einstufen.
Weitere Informationen finden Sie unter Was ist Reciprocal Rank Fusion?
Messwerte
Nachdem eine Abfrage ausgeführt wurde, werden Latenzmesswerte angezeigt, die die Zeit für die verschiedenen Phasen der Suche aufschlüsseln.
Dazu zählen:
- Die Gesamtlatenz aus allen Quellen.
- Die Zeit, die zum Generieren von Einbettungen und Ausführen einer Vektorsuche benötigt wurde.
- Die Zeit, die für die neue Einstufung benötigt wurde, wenn Neu einstufen ausgewählt ist.
- Die Gesamtlatenz aus dem Netzwerk und anderen Quellen.
Einbettungen
Agent Retrieval unterstützt die folgenden Einbettungstypen:
Multimodal:Multimodale semantische Suche nach Artikelbildern. Weitere Informationen finden Sie unter Was ist multimodale Suche? „LLMs mit Vision“ verändern Unternehmen.
Text (semantische Ähnlichkeit) : Semantische Textsuche nach Artikelnamen und ‑beschreibungen basierend auf semantischer Ähnlichkeit. Weitere Informationen finden Sie unter Vertex AI Embeddings for Text: LLMs fundieren leicht gemacht.
Text (Abrufdokument) : Asymmetrische Suche basierend auf einer Frage oder einer kurzen Wortgruppe. Weitere Informationen finden Sie unter Vertex AI Embeddings for Text: LLMs fundieren leicht gemacht.
Wort:Semantisches Verständnis auf Wortebene mit sehr schneller Inferenz und hoher Kompaktheit.
Abfrageprozess
In Agent Retrieval hängt der Abfrageprozess von der Art der durchgeführten Suchen und den Einbettungsmodellen ab.
Semantische und Hybridsuche
Die Einbettungserstellung und ‑suche erfolgen in einem einzigen API-Aufruf.
Agent Retrieval generiert die Abfrageeinbettung automatisch serverseitig mit dem
Modell, das in der vertex_embedding_config für die
Sammlung,
angegeben ist, führt die Suche aus und gibt Ergebnisse mit vollständigen Metadaten zurück, ohne dass
ein separater Vertex AI Feature Store-Abruf erforderlich ist.
Word2Vec und multimodal
Der Client generiert die Abfrageeinbettung und sendet sie zur Vektorsuche an Agent Retrieval. Die Ergebnisse enthalten weiterhin vollständige Metadaten aus der Sammlung und ein Vertex AI Feature Store-Abruf ist nicht erforderlich.
Text
Agent Retrieval führt die integrierte Keyword-Optionen direkt aus. Es werden keine Einbettungen generiert.
Datasets
| Dataset | Beschreibung | Einbettungsmodell | Aufgabentyp für Einbettungen |
|---|---|---|---|
| Mercari 1M items (768-dim Gemini text embeddings) |
Verwendet das Einbettungsmodell Gemini Embedding 2 mit separaten Text- und Bildeinbettungen. Dieses Dataset unterstützt die Text-zu-Text- und Text-zu-Bild-Suche mit verschiedenen Vektorfeldern. | gemini-embedding-2-preview
|
SEMANTIC_SIMILARITY |
| Mercari 3M items (128-dim Gemini text embeddings) |
Hat eine reduzierte Anzahl von Einbettungsdimensionen, was zu einer kleineren Indexgröße und geringeren Speicherkosten führt. Dieses Dataset hat möglicherweise eine geringere Genauigkeit als Mercari 3M items (768-dim Gemini text embeddings). | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| Mercari 3M items (768-dim Gemini text embeddings) |
Hat Einbettungen mit voller Dimension, automatischen Einbettungen und hoher semantischer Textgenauigkeit. Dieses Dataset verwendet RETRIEVAL_DOCUMENT für die asymmetrische Abfrage-Dokument-Übereinstimmung. | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| Mercari 3M items (768-dim Gemini text embeddings, semantic similarity) |
Verwendet den Aufgabentyp SEMANTIC_SIMILARITY für die Ähnlichkeitsübereinstimmung. Dieses Dataset ist am besten für Anwendungsfälle geeignet, bei denen die Funktion „Ähnliche Artikel finden“ erforderlich ist und Abfrage und Dokumente dieselbe Semantik haben. | gemini-embedding-001
|
SEMANTIC_SIMILARITY |
| Mercari 3M items (1408-dim Vertex AI multimodal embeddings) |
Hat multimodale Vertex AI-Einbettungen, die Artikelbilder für die Bildsuche codieren. | multimodal-embedding-001
|
– |
| Mercari 3M items (100-dim Word2Vec text embeddings) |
Verwendet das Gensim Word2Vec-Einbettungsmodell. Dieses Dataset hat die schnellste Inferenz. Es bietet nur semantisches Verständnis auf Wortebene, ist aber sehr kompakt. | Gensim Word2Vec | – |