Demonstração interativa da recuperação de agentes

Esta demonstração interativa permite que você conheça a recuperação de agente (antiga pesquisa vetorial 2.0), o banco de dados vetorial totalmente gerenciado para Google Cloud. Use a demonstração para pesquisar em milhões de informações de produtos com a pesquisa semântica (com tecnologia de autoembeddings do Gemini pesquisa de texto por palavra-chave ou pesquisa híbrida que usa a Reciprocal Rank Fusion (RRF) para combinar a pesquisa semântica e a pesquisa de texto por palavra-chave. Os resultados podem ser reclassificados usando a API Gemini Enterprise Agent Platform Ranking.

Benefícios da recuperação de agentes

A busca vetorial exigia geração de embedding separada, implantação de índice e uma Vertex AI Feature Store para metadados. A recuperação de agente oferece armazenamento unificado para dados e embeddings, geração automática de embeddings e pesquisa de texto integrada sem exigir que você gerencie a infraestrutura.

Testar

Para executar:

  1. No campo Consulta, descreva os itens que você quer consultar (por exemplo, vintage 1970s pinball machine). Ou clique em Gerar consulta para gerar uma descrição automaticamente.

  2. Clique em Enviar ou pressione Enter.

Teste as diferentes opções na demonstração para entender a recuperação de agentes e os conceitos básicos da tecnologia de pesquisa vetorial. Para mais informações, acesse Interface do usuário.

Interface do usuário

Esta seção descreve as configurações na UI que você pode usar para controlar os resultados que a Recuperação de Agentes (antiga busca vetorial 2.0) retorna e como eles são classificados.

Conjunto de dados

Use o menu suspenso Conjunto de dados para escolher em qual conjunto de dados a recuperação de agente vai executar sua consulta. Para informações sobre cada conjunto de dados, acesse Conjuntos de dados.

Consulta

Para executar uma consulta:

  1. Clique em Conjunto de dados e escolha em qual conjunto de dados executar a consulta.

  2. No campo Consulta, adicione uma descrição, faça uma pergunta ou insira uma ou mais palavras-chave para especificar os itens que a recuperação de agente precisa retornar. Ou clique em Gerar consulta para gerar uma consulta automaticamente.

  3. Escolha uma destas opções:

    1. Para retornar resultados semanticamente semelhantes, selecione Semântica.
    2. Para retornar resultados com base na sintaxe de texto da consulta, selecione Texto.
    3. Para fazer uma pesquisa híbrida, selecione Semântica e Texto.

  4. Se você estiver consultando semanticamente o conjunto de dados 3 milhões de itens do Mercari (incorporações de texto do Gemini de 128 dimensões) ou 3 milhões de itens do Mercari (incorporações de texto do Gemini de 768 dimensões), clique em Tipo de tarefa de consulta e selecione QUESTION_ANSWERING ou RETRIEVAL_QUERY.

  5. Clique em Enviar ou pressione Enter para executar a consulta.

Modificar

Há muitas opções que você pode usar para modificar os resultados que a Recuperação de Agentes (antiga busca vetorial 2.0) retorna de uma consulta.

  • Clique em Linhas e escolha o número máximo de resultados da pesquisa que você quer que a Recuperação de Agentes (antiga busca vetorial 2.0) retorne.

  • Selecione Semântica para retornar resultados semanticamente semelhantes.

  • Selecione Texto para retornar resultados com base na sintaxe de texto da sua consulta.

  • Selecione Semântica e Texto para ativar a pesquisa híbrida.

  • Selecione Reclassificar para reclassificar os resultados da pesquisa com base na relevância da consulta. Para mais informações, consulte Melhorar a qualidade da pesquisa e da RAG com a API Ranking.

  • Selecione Usar kNN para usar o algoritmo de vizinhos k-mais próximos e recuperar resultados da pesquisa. Como o kNN oferece uma taxa de recall de 100%, ele é muito útil ao depurar ou testar.

  • Clique em Tipo de tarefa de consulta e selecione o tipo de tarefa de consulta que você quer usar. Isso só está disponível ao usar os conjuntos de dados 3 milhões de itens do Mercari (incorporações de texto do Gemini de 128 dimensões) e 3 milhões de itens do Mercari (incorporações de texto do Gemini de 768 dimensões). Para mais informações sobre tipos de tarefas de consulta, acesse Escolher um tipo de tarefa de embeddings.

  • No campo Alfa do RRF, insira um valor entre 0,0 e 1,0 para especificar o efeito de classificação do RRF. Esse recurso está disponível apenas para pesquisa híbrida (Semântica e Texto selecionados). Valores alfa de:

    • 1.0: classifica os resultados apenas por semelhança semântica (densa).
    • 0.0: classifica os resultados apenas por relevância de palavra-chave (esparsa).
    • 0.5: classifica os resultados com peso de requalificação dado à semelhança semântica (densa) e à relevância de palavras-chave (esparsa).

    Para mais informações, consulte O que é o Reciprocal Rank Fusion?

Métricas

Depois que uma consulta é executada, você recebe métricas de latência que detalham o tempo necessário para a conclusão de diferentes etapas da pesquisa.

Isso inclui:

  • A latência total de todas as fontes.
  • O tempo gasto para gerar embeddings e realizar uma pesquisa vetorial.
  • O tempo que o reclassificação levou se Reclassificar estiver selecionado.
  • A quantidade total de latência da rede e de outras fontes.

Embeddings

A Recuperação de Agentes é compatível com os seguintes tipos de incorporação:

Processo de consulta

Na recuperação de agentes, o processo de consulta depende do tipo de pesquisa que está sendo realizada e dos modelos de embedding.

A geração e a pesquisa de embeddings acontecem em uma única chamada de API. A recuperação de agente gera automaticamente a incorporação de consulta no lado do servidor usando o modelo especificado em vertex_embedding_config para a Coleção, realiza a pesquisa e retorna resultados com metadados completos sem precisar de uma busca separada do Feature Store da Vertex AI.

Word2Vec e multimodal

O cliente gera a embedding de consulta e a envia para a recuperação de agente para pesquisa vetorial. Os resultados ainda incluem metadados completos da coleção, e não é necessário buscar na Vertex AI Feature Store.

Texto

A Recuperação de Agentes realiza a correspondência de palavra-chave integrada diretamente. Os embeddings não são gerados.

Conjuntos de dados

Conjunto de dados Descrição Modelo de embedding Tipo de tarefa de embedding
1 milhão de itens do Mercari
(incorporações de texto do Gemini de 768 dimensões)		 Usa o modelo de embedding Gemini Embedding 2 com embeddings de texto e imagem separados. Esse conjunto de dados é compatível com a pesquisa de texto para texto e de texto para imagem usando diferentes campos de vetor. gemini-embedding-2-preview SEMANTIC_SIMILARITY
Mercari 3M items
(128-dim Gemini text embeddings)		 Tem um número reduzido de dimensões de incorporação que oferece um tamanho de índice e um custo de armazenamento menores. Esse conjunto de dados pode ter uma acurácia menor do que os 3 milhões de itens do Mercari (incorporações de texto do Gemini de 768 dimensões). gemini-embedding-001 RETRIEVAL_DOCUMENT
Itens do Mercari 3M
(incorporações de texto do Gemini de 768 dimensões)		 Tem embeddings de dimensão completa com embeddings automáticos e alta precisão semântica de texto. Esse conjunto de dados usa RETRIEVAL_DOCUMENT para correspondência assimétrica de consulta e documento. gemini-embedding-001 RETRIEVAL_DOCUMENT
3 milhões de itens do Mercari
(embeddings de texto do Gemini de 768 dimensões, similaridade semântica)		 Usa o tipo de tarefa SEMANTIC_SIMILARITY para correspondência de similaridade. Esse conjunto de dados é o melhor para casos de uso que precisam da funcionalidade "encontrar itens semelhantes", em que a consulta e os documentos têm a mesma semântica. gemini-embedding-001 SEMANTIC_SIMILARITY
3 milhões de itens do Mercari
(embeddings multimodais da Vertex AI de 1408 dimensões)		 Tem embeddings multimodais da Vertex AI que codificam imagens de itens para pesquisa por imagens. multimodal-embedding-001 N/A
Mercari: 3 milhões de itens
(incorporações de texto Word2Vec de 100 dimensões)		 Usa o modelo de embedding Word2Vec do Gensim. Esse conjunto de dados tem a inferência mais rápida. Ele oferece apenas compreensão semântica no nível da palavra, mas é muito compacto. Gensim Word2Vec N/A

Consulte também