Demo interattiva del recupero agente

Questa demo interattiva ti consente di esplorare Agent Retrieval (precedentemente Vector Search 2.0), il database vettoriale completamente gestito per Google Cloud. Utilizza la demo per cercare tra milioni di schede di prodotto con la ricerca semantica (basata sugli embedding automatici di Gemini), la ricerca testuale per parole chiave o la ricerca ibrida che utilizza la Reciprocal Rank Fusion (RRF) per combinare la ricerca semantica e la ricerca testuale per parole chiave. I risultati possono essere riordinati utilizzando l'API Gemini Enterprise Agent Platform Ranking per il riordinamento.

Vantaggi del recupero agente

Vector Search richiedeva la generazione di embedding separati, il deployment dell'indice e un Vertex AI Feature Store per i metadati. Agent Retrieval fornisce uno spazio di archiviazione unificato per dati ed embedding, la generazione automatica di embedding e la ricerca testuale integrata senza richiedere la gestione dell'infrastruttura.

Prova

Per eseguire:

  1. Nel campo Query, descrivi gli elementi per cui vuoi eseguire la query (ad esempio, vintage 1970s pinball machine). In alternativa, fai clic su Genera query per generare automaticamente una descrizione.

  2. Fai clic su Invia o premi Invio.

Sperimenta le diverse opzioni della demo per iniziare a comprendere il recupero agentico e le nozioni di base della tecnologia Vector Search. Per saperne di più, vai a Interfaccia utente.

Interfaccia utente

Questa sezione descrive le impostazioni nell'interfaccia utente che puoi utilizzare per controllare i risultati restituiti dal recupero dell'agente (precedentemente Vector Search 2.0) e il modo in cui vengono classificati.

Set di dati

Utilizza il menu a discesa Set di dati per scegliere il set di dati su cui Agent Retrieval eseguirà la query. Per informazioni su ciascun set di dati, vai a Set di dati.

Query

Per eseguire una query:

  1. Fai clic su Set di dati e scegli il set di dati su cui eseguire la query.

  2. Nel campo Query, aggiungi una descrizione, fai una domanda o inserisci una o più parole chiave per specificare gli elementi per cui Agent Retrieval deve restituire i risultati. In alternativa, fai clic su Genera query per generare automaticamente una query.

  3. Esegui una delle seguenti operazioni:

    1. Per restituire risultati semanticamente simili, seleziona Semantica.
    2. Per restituire risultati in base alla sintassi del testo della query, seleziona Testo.
    3. Per eseguire una ricerca ibrida, seleziona sia Semantica che Testo.

  4. Se stai eseguendo una query semantica sul set di dati Mercari 3M items (128-dim Gemini text embeddings) o Mercari 3M items (768-dim Gemini text embeddings), fai clic su Query Task Type e seleziona QUESTION_ANSWERING o RETRIEVAL_QUERY.

  5. Fai clic su Invia o premi Invio per eseguire la query.

Modifica

Esistono molte opzioni che puoi utilizzare per modificare i risultati restituiti da Agent Retrieval (in precedenza Vector Search 2.0) da una query.

  • Fai clic su Righe e scegli il numero massimo di risultati di ricerca che vuoi che Agent Retrieval (precedentemente Vector Search 2.0) restituisca.

  • Seleziona Semantica per restituire risultati semanticamente simili.

  • Seleziona Testo per restituire i risultati in base alla sintassi del testo della query.

  • Seleziona sia Semantica che Testo per attivare la ricerca ibrida.

  • Seleziona Rerank per riordinare i risultati di ricerca in base alla loro pertinenza rispetto alla query. Per saperne di più, consulta Migliora la qualità della ricerca e della RAG con l'API di ranking.

  • Seleziona Utilizza kNN per utilizzare l'algoritmo k-nearest neighbors per recuperare i risultati di ricerca. Poiché kNN fornisce un tasso di richiamo del 100%, è molto utile durante il debug o i test.

  • Fai clic su Tipo di attività di query e seleziona il tipo di attività di query da utilizzare. Questa opzione è disponibile solo quando utilizzi i set di dati Mercari 3M items (128-dim Gemini text embeddings) e Mercari 3M items (768-dim Gemini text embeddings). Per saperne di più sui tipi di attività di query, vai a Scegli un tipo di attività di embedding.

  • Nel campo RRF Alpha, inserisci un valore compreso tra 0,0 e 1,0 per specificare l'effetto del ranking RRF. Questa opzione è disponibile solo per la ricerca ibrida (sono selezionate entrambe le opzioni Semantica e Testo).
    Valori alfa di:

    • 1.0: classifica i risultati esclusivamente in base alla somiglianza semantica (densa).
    • 0.0: classifica i risultati esclusivamente in base alla pertinenza delle parole chiave (sparse).
    • 0.5: classifica i risultati con un peso equivalente assegnato alla somiglianza semantica (densa) e alla pertinenza delle parole chiave (sparsa).

    Per saperne di più, consulta Che cos'è Reciprocal Rank Fusion?

Metriche

Dopo l'esecuzione di una query, vengono fornite metriche di latenza che suddividono il tempo impiegato per il completamento delle diverse fasi della ricerca.

È incluso quanto segue:

  • La latenza totale da tutte le origini.
  • Il tempo impiegato per generare gli embedding ed eseguire una ricerca vettoriale.
  • Il tempo impiegato per il reranking se è selezionata l'opzione Reranking.
  • La quantità totale di latenza della rete e di altre origini.

Incorporamenti

Il recupero dell'agente supporta i seguenti tipi di embedding:

Procedura di query

Nel recupero agentico, il processo di query dipende dal tipo di ricerche eseguite e dai modelli di embedding.

La generazione e la ricerca degli embedding avvengono in un'unica chiamata API. Agent Retrieval genera automaticamente l'embedding della query lato server utilizzando il modello specificato in vertex_embedding_config per la Collection, esegue la ricerca e restituisce i risultati con i metadati completi senza richiedere un recupero separato di Vertex AI Feature Store.

Word2Vec e multimodale

Il client genera l'embedding della query e lo invia ad Agent Retrieval per Vector Search. I risultati includono comunque i metadati completi della raccolta e non è necessario un recupero da Vertex AI Feature Store.

Testo

Il recupero agente esegue direttamente la corrispondenza delle parole chiave integrata. Gli embedding non vengono generati.

Set di dati

Set di dati Descrizione Modello di embedding Tipo di attività di embedding
1 milione di articoli Mercari
(text embedding Gemini a 768 dimensioni)		 Utilizza il modello di embedding Gemini Embedding 2 con embedding di testo e immagini separati. Questo set di dati supporta la ricerca da testo a testo e da testo a immagine utilizzando diversi campi vettoriali. gemini-embedding-2-preview SEMANTIC_SIMILARITY
3 milioni di articoli Mercari
(text embedding Gemini a 128 dimensioni)		 Ha un numero ridotto di dimensioni di embedding che consente di ridurre le dimensioni dell'indice e i costi di archiviazione. Questo set di dati potrebbe avere un'accuratezza inferiore rispetto agli elementi Mercari 3M (embedding di testo Gemini a 768 dimensioni). gemini-embedding-001 RETRIEVAL_DOCUMENT
3 milioni di articoli Mercari
(text embedding di Gemini a 768 dimensioni)		 Dispone di embedding a dimensione intera con embedding automatici e un'elevata accuratezza semantica del testo. Questo set di dati utilizza RETRIEVAL_DOCUMENT per la corrispondenza asimmetrica query-documento. gemini-embedding-001 RETRIEVAL_DOCUMENT
3 milioni di articoli Mercari
(text embedding di Gemini a 768 dimensioni, somiglianza semantica)		 Utilizza il tipo di attività SEMANTIC_SIMILARITY per la corrispondenza di somiglianza. Questo set di dati è il migliore per i casi d'uso che richiedono la funzionalità "trova elementi simili" in cui la query e i documenti hanno la stessa semantica. gemini-embedding-001 SEMANTIC_SIMILARITY
Mercari 3M items
(1408-dim Gemini Enterprise Agent Platform multimodal embeddings)		 Dispone di embedding multimodali di Gemini Enterprise Agent Platform che codificano le immagini degli articoli per la ricerca di immagini. multimodal-embedding-001 N/D
3 milioni di articoli Mercari
(text embedding Word2Vec a 100 dimensioni)		 Utilizza il modello di embedding Gensim Word2Vec. Questo set di dati ha l'inferenza più rapida. Fornisce solo una comprensione semantica a livello di parola, ma è molto compatto. Gensim Word2Vec N/D

Vedi anche