您可以透過這項互動式示範，探索 Agent Retrieval (舊稱 Vector Search 2.0)，這是 Google Cloud的全代管向量資料庫。使用示範，透過語意搜尋 (採用 Gemini 自動嵌入)、Text Search 或混合搜尋 (使用倒數排名融合 (RRF) 結合語意搜尋和 Text Search)，在數百萬筆產品資訊中搜尋。結果可使用 Gemini Enterprise Agent Platform Ranking API 重新排名。
代理式檢索的優點
向量搜尋需要個別生成嵌入項目、部署索引，以及使用 Vertex AI 特徵儲存庫 儲存中繼資料。Agent Retrieval 提供資料和嵌入項目的統一儲存空間、自動生成嵌入項目，以及內建 Text Search 功能，您不必管理基礎架構。
試試看！
執行方式：
在「Query」(查詢) 欄位中，描述要查詢的項目 (例如
vintage 1970s pinball machine)。或者，按一下「Generate Query」(生成查詢)，自動生成說明。點按「提交」或按下 Enter 鍵。
在試用版中嘗試不同選項，搶先瞭解代理式檢索和向量搜尋技術的基本概念。詳情請參閱「使用者介面」。
使用者介面
本節說明使用者介面中的設定，您可以使用這些設定，控管代理檢索 (舊稱向量搜尋 2.0) 傳回的結果及其排名方式。
資料集
使用「Dataset」(資料集) 下拉式選單，選擇要讓 Agent Retrieval 查詢哪個資料集。如要瞭解各個資料集，請參閱「資料集」。
查詢
如要執行查詢，請按照下列步驟操作：
按一下「資料集」，然後選擇要執行查詢的資料集。
在「Query」(查詢) 欄位中，新增說明、提出問題，或輸入一或多個關鍵字，指定 Agent Retrieval 要傳回結果的項目。或者，您也可以點選「Generate Query」(生成查詢)，自動生成查詢。
執行下列其中一個步驟：
- 如要傳回語意相似的結果，請選取「Semantic」(語意)。
- 如要根據查詢的文字語法傳回結果，請選取「Text」(文字)。
- 如要執行混合搜尋，請同時選取「Semantic」(語意) 和「Text」(文字)。
如果您要對 Mercari 3M items (128-dim Gemini 文字嵌入) 或 Mercari 3M items (768-dim Gemini 文字嵌入) 資料集執行語意查詢，請按一下「Query Task Type」(查詢工作類型)，然後選取「QUESTION_ANSWERING」或「RETRIEVAL_QUERY」。
點選「提交」或按下 Enter 鍵執行查詢。
修改
您可以使用多種選項，修改 Agent Retrieval (舊稱 Vector Search 2.0) 傳回的查詢結果。
按一下「Rows」(資料列)，然後選擇要讓 Agent Retrieval (舊稱向量搜尋 2.0) 傳回的搜尋結果數量上限。
選取「Semantic」(語意)，傳回語意相似的結果。
選取「文字」，即可根據查詢的文字語法傳回結果。
同時選取「Semantic」(語意) 和「Text」(文字)，即可啟用混合型搜尋。
選取「Rerank」，根據查詢關聯性重新排序搜尋結果。詳情請參閱「使用 Ranking API 提升搜尋和 RAG 品質」。
選取「Use kNN」(使用 kNN)，即可使用 k 近鄰演算法擷取搜尋結果。由於 kNN 的喚回度為 100%，因此在偵錯或測試時非常實用。
按一下「Query Task Type」(查詢任務類型)，然後選取要使用的查詢任務類型。只有使用 Mercari 3M items (128-dim Gemini 文字嵌入) 和 Mercari 3M items (768-dim Gemini 文字嵌入) 資料集時，才能使用這項功能。如要進一步瞭解查詢工作類型，請參閱「選擇嵌入工作類型」。
在「RRF Alpha」欄位中，輸入介於 0.0 至 1.0 之間的值，指定 RRF 排名效果。這項功能僅適用於混合搜尋 (同時選取「Semantic」(語意) 和「Text」(文字))。
Alpha 值：1.0：單純依語意 (密集) 相似度排序結果。0.0：純粹依關鍵字 (稀疏) 關聯性為結果排序。0.5：將語意 (密集) 相似度和關鍵字 (稀疏) 關聯性視為同等重要，並據此為結果排名。
詳情請參閱「什麼是倒數排名融合？」一文。
指標
查詢執行後，系統會提供延遲指標，細分搜尋不同階段所需的時間。
包括：
- 所有來源的總延遲時間。
- 生成嵌入項目及執行向量搜尋所需的時間。
- 如果選取「Rerank」，則會顯示重新排名所需的時間。
- 網路和其他來源的總延遲時間。
嵌入
Agent Retrieval 支援下列嵌入類型：
多模態：對商品圖片進行多模態語意搜尋。詳情請參閱「什麼是多模態搜尋：『具備視覺功能的大型語言模型』改變企業」。
文字 (語意相似度)：根據語意相似度，對項目名稱和說明進行文字語意搜尋。詳情請參閱「Vertex AI Embeddings for Text: Grounding LLMs made easy」(Vertex AI Embeddings for Text：輕鬆為 LLM 建立基準)。
文字 (檢索文件)：根據問題或短語進行非對稱搜尋。詳情請參閱「Vertex AI Embeddings for Text: Grounding LLMs made easy」(Vertex AI Embeddings for Text：輕鬆為 LLM 建立基準)。
Word：字詞層級的語意理解，推論速度極快，且高度精簡。
查詢程序
在代理式檢索中，查詢程序取決於執行的搜尋類型和嵌入模型。
語意和混合型搜尋
嵌入生成和搜尋作業會在單一 API 呼叫中完成。代理式檢索功能會使用 Collection 的 vertex_embedding_config 中指定的模型，在伺服器端自動生成查詢嵌入，然後執行搜尋並傳回含有完整中繼資料的結果，不需要另外擷取 Vertex AI 特徵儲存庫。
Word2Vec 和多模態
用戶端會生成查詢嵌入，並傳送至代理式檢索，以便進行向量搜尋。結果仍會包含集合中的完整中繼資料，且不需要擷取 Vertex AI 特徵儲存庫。
文字
代理檢索會直接執行內建的關鍵字比對。不會生成嵌入。
資料集
| Dataset | 說明 | 嵌入模型 | 嵌入工作類型 |
|---|---|---|---|
| Mercari 100 萬項商品 (768 維 Gemini 文字嵌入) |
使用 Gemini Embedding 2 嵌入模型，並分別嵌入文字和圖片。這個資料集支援使用不同向量欄位，進行文字轉文字和文字轉圖像搜尋。 | gemini-embedding-2-preview
|
SEMANTIC_SIMILARITY |
| Mercari 300 萬個項目 (128 維 Gemini 文字嵌入) |
嵌入維度數量較少，因此索引大小和儲存空間成本較低。這個資料集的準確率可能低於 Mercari 3M items (768-dim Gemini 文字嵌入)。 | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| Mercari 300 萬個項目 (768 維 Gemini 文字嵌入) |
具備全維度嵌入，可自動嵌入，且文字語意準確度高。這個資料集使用 RETRIEVAL_DOCUMENT 進行非對稱查詢文件比對。 | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| Mercari 300 萬個項目 (768 維 Gemini 文字嵌入，語意相似度) |
使用 SEMANTIC_SIMILARITY 任務類型進行相似度比對。這個資料集最適合需要「尋找相似項目」功能，且查詢和文件語意相同的用途。 | gemini-embedding-001
|
SEMANTIC_SIMILARITY |
| Mercari 300 萬件商品 (1408 維 Gemini Enterprise Agent Platform 多模態嵌入) |
具備 Gemini Enterprise Agent Platform 多模態嵌入，可為商品圖片編碼，以便進行圖片搜尋。 | multimodal-embedding-001
|
不適用 |
| Mercari 300 萬項商品 (100 維 Word2Vec 文字嵌入) |
使用 Gensim Word2Vec 嵌入模型。這個資料集的推論速度最快。這項功能僅提供字詞層級的語意理解，但非常精簡。 | Gensim Word2Vec | 不適用 |