Interaktive Demo zum Abruf von KI-Agenten

In dieser interaktiven Demo können Sie den Agentenabruf (früher Vektorsuche 2.0) kennenlernen, die vollständig verwaltete Vektordatenbank für Google Cloud. Mit der Demo können Sie Millionen von Produkteinträgen mit semantischer Suche (unterstützt durch automatische Gemini-Einbettungen), Text Search oder Hybridsuche durchsuchen, die Reciprocal Rank Fusion (RRF) verwendet, um sowohl semantische Suche als auch Text Search zu kombinieren. Die Ergebnisse können neu sortiert werden. Dazu wird die Gemini Enterprise Agent Platform Ranking API verwendet.

Vorteile des Datenabrufs durch Agenten

Für die Vektorsuche waren eine separate Einbettungsgenerierung, eine Indexbereitstellung und ein Vertex AI Feature Store für Metadaten erforderlich. Agent Retrieval bietet einen einheitlichen Speicher für Daten und Einbettungen, automatische Einbettungsgenerierung und integrierte Textsuche, ohne dass Sie die Infrastruktur verwalten müssen.

Testen!

Gehen Sie zum Ausführen so vor:

  1. Beschreiben Sie im Feld Abfrage die Elemente, die Sie abfragen möchten (z. B. vintage 1970s pinball machine). Alternativ können Sie auf Abfrage generieren klicken, um automatisch eine Beschreibung zu erstellen.

  2. Klicken Sie auf Senden oder drücken Sie die Eingabetaste.

Experimentieren Sie mit den verschiedenen Optionen in der Demo, um sich einen Vorsprung beim Verständnis des Agentenabrufs und der Grundlagen der Vektorsuchtechnologie zu verschaffen. Weitere Informationen finden Sie unter Benutzeroberfläche.

Benutzeroberfläche

In diesem Abschnitt werden die Einstellungen in der Benutzeroberfläche beschrieben, mit denen Sie die Ergebnisse des Agentenabrufs (früher Vektorsuche 2.0) und deren Ranking steuern können.

Dataset

Wählen Sie im Drop-down-Menü Dataset das Dataset aus, für das der Agentenabruf Ihre Abfrage ausführen soll. Informationen zu den einzelnen Datasets finden Sie unter Datasets.

Abfrage

So führen Sie eine Abfrage aus:

  1. Klicken Sie auf Dataset und wählen Sie das Dataset aus, für das Sie die Abfrage ausführen möchten.

  2. Fügen Sie im Feld Abfrage eine Beschreibung hinzu, stellen Sie eine Frage oder geben Sie ein oder mehrere Suchbegriffe ein, um die Elemente anzugeben, für die der Agentenabruf Ergebnisse zurückgeben soll. Alternativ können Sie auf Abfrage generieren klicken, um automatisch eine Abfrage zu erstellen.

  3. Führen Sie einen der folgenden Schritte aus:

    1. Wenn Sie semantisch ähnliche Ergebnisse zurückgeben möchten, wählen Sie Semantisch aus.
    2. Wenn Sie Ergebnisse basierend auf der Textsyntax der Abfrage zurückgeben möchten, wählen Sie Text aus.
    3. Wählen Sie für eine hybride Suche sowohl Semantisch als auch Text aus.

  4. Wenn Sie eine semantische Abfrage für das Dataset Mercari 3M items (128-dim Gemini Texteinbettungen) oder Mercari 3M items (768-dim Gemini Texteinbettungen) ausführen, klicken Sie auf Query Task Type und wählen Sie entweder QUESTION_ANSWERING oder RETRIEVAL_QUERY aus.

  5. 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 Agent Retrieval (früher Vektorsuche 2.0) für eine Abfrage zurückgibt.

  • Klicken Sie auf Zeilen und wählen Sie die maximale Anzahl von Suchergebnissen aus, die der Agentenabruf (früher Vektorsuche 2.0) zurückgeben soll.

  • Wählen Sie Semantisch aus, um semantisch ähnliche Ergebnisse zurückzugeben.

  • Wählen Sie Text aus, um Ergebnisse basierend auf der Textsyntax Ihrer Abfrage zu erhalten.

  • Wählen Sie sowohl Semantisch als auch Text aus, um die hybride Suche zu aktivieren.

  • Wählen Sie Neu bewerten aus, um die Suchergebnisse basierend auf ihrer Relevanz für die Abfrage neu zu bewerten. Weitere Informationen finden Sie unter Such- und RAG-Qualität mit der Ranking API verbessern.

  • Wählen Sie kNN verwenden aus, um den k-Nearest-Neighbors-Algorithmus zum Abrufen von Suchergebnissen zu verwenden. Da kNN eine Recall-Rate von 100 % bietet, ist es beim Debugging oder Testen sehr nützlich.

  • Klicken Sie auf Abfrageaufgabentyp und wählen Sie den gewünschten Abfrageaufgabentyp aus. Diese Option ist nur verfügbar, wenn Sie die Datasets Mercari 3M items (128-dim Gemini Texteinbettungen) und Mercari 3M items (768-dim Gemini Texteinbettungen) verwenden. Weitere Informationen zu Aufgabentypen für Abfragen 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).
    Alpha-Werte von:

    • 1.0: Die Ergebnisse werden ausschließlich nach semantischer (dichter) Ähnlichkeit sortiert.
    • 0.0: Ergebnisse werden ausschließlich nach Keyword-Relevanz (dünnbesetzt) sortiert.
    • 0.5: Die Ergebnisse werden so sortiert, dass die semantische (dichte) Ähnlichkeit und die Keyword-Relevanz (dünnbesetzt) gleich gewichtet werden.

    Weitere Informationen finden Sie unter Was ist Reciprocal Rank Fusion?.

Messwerte

Nachdem eine Abfrage ausgeführt wurde, erhalten Sie Latenzmesswerte, die die Zeit für die verschiedenen Phasen der Suche aufschlüsseln.

Dazu zählen:

  • Die Gesamtlatenz aus allen Quellen.
  • Die Zeit, die für das Generieren von Einbettungen und das Ausführen einer Vektorsuche benötigt wurde.
  • Die Zeit, die für die Neuanordnung benötigt wurde, wenn Neuanordnung ausgewählt ist.
  • Die Gesamtlatenz des Netzwerks und anderer Quellen.

Einbettungen

Der Agentenabruf unterstützt die folgenden Einbettungstypen:

Abfrageprozess

Beim Agentenabruf hängt der Abfrageprozess von der Art der Suchanfragen und den Einbettungsmodellen ab.

Die Einbettungsgenerierung und die Suche erfolgen in einem einzigen API-Aufruf. Beim Agentenabruf wird die Anfrageeinbettung serverseitig automatisch mit dem Modell generiert, das in der vertex_embedding_config für die Sammlung angegeben ist. Anschließend wird die Suche durchgeführt und die Ergebnisse werden mit vollständigen Metadaten zurückgegeben, ohne dass ein separater Vertex AI Feature Store-Abruf erforderlich ist.

Word2Vec und multimodal

Der Client generiert die Abfrageeinbettung und sendet sie für die Vektorsuche an den Agentenabruf. Die Ergebnisse enthalten weiterhin vollständige Metadaten aus der Sammlung und ein Abruf von Vertex AI Feature Store ist nicht erforderlich.

Text

Der Agentenabruf führt direkt einen integrierten Keyword-Abgleich durch. Es werden keine Einbettungen generiert.

Datasets

Dataset Beschreibung Einbettungsmodell Aufgabentyp für Einbettungen
Mercari 1M items
(768-dim Gemini text embeddings)		 Verwendet das Gemini Embedding 2-Einbettungsmodell 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-Elemente
(128-dim Gemini-Texteinbettungen)		 Hat eine reduzierte Anzahl von Einbettungsdimensionen, was zu einer kleineren Indexgröße und geringeren Speicherkosten führt. Dieses Dataset ist möglicherweise weniger genau als Mercari 3M-Elemente (768-dimensionale Gemini-Texteinbettungen). gemini-embedding-001 RETRIEVAL_DOCUMENT
Mercari 3M-Elemente
(768-dim Gemini-Texteinbettungen)		 Bietet vollständige Einbettungen mit automatischen Einbettungen und hoher semantischer Genauigkeit für Text. In diesem Dataset wird RETRIEVAL_DOCUMENT für den asymmetrischen Abgleich von Abfragen und Dokumenten verwendet. gemini-embedding-001 RETRIEVAL_DOCUMENT
Mercari 3M-Elemente
(768-dimensionale Gemini-Texteinbettungen, semantische Ähnlichkeit)		 Verwendet den Aufgabentyp SEMANTIC_SIMILARITY für den Ähnlichkeitsabgleich. Dieses Dataset eignet sich am besten für Anwendungsfälle, in denen die Funktion „Ähnliche Elemente finden“ erforderlich ist und Abfrage und Dokumente dieselbe Semantik haben. gemini-embedding-001 SEMANTIC_SIMILARITY
Mercari 3M-Elemente
(multimodale Einbettungen mit 1.408 Dimensionen der Gemini Enterprise Agent Platform)		 Die Gemini Enterprise Agent Platform bietet multimodale 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 –

Weitere Informationen