本頁提供工作流程範例，說明如何搭配使用mysql.ml_embedding()函式和mysql vector查詢功能，處理儲存在資料表中的資料。本例使用純文字輸入內容，從某個資料庫中擷取結果，該資料庫是透過大型語言模型 (LLM) 導向的語意剖析機制來分析文字意思。
嵌入工作流程情境範例
假設資料庫在 MySQL 適用的 Cloud SQL 上執行，且具有下列特點：
資料庫包含資料表：
items。這個表格的每一列都說明貴商家銷售的項目。items資料表包含complaints欄。這個資料欄會以純文字格式，儲存買家對各個項目提出的申訴。資料庫會與 Vertex AI Model Garden 整合，因此可存取
gemini-embeddingLLM。
雖然這個資料庫會儲存有關商品的申訴內容，但這些申訴內容是以純文字形式儲存，因此難以查詢。舉例來說，如果想瞭解哪些商品最常收到顧客投訴，原因是他們收到的商品顏色有誤，您可以在資料表上執行一般 SQL 查詢，尋找各種關鍵字相符項目。不過，這種做法只會比對包含這些完全一致關鍵字的資料列。
舉例來說，如果 complaints 欄位只包含 The picture shows a blue one, but the one I received was red，則 SELECT * FROM item WHERE complaints LIKE
"%wrong color%" 等基本 SQL 查詢不會傳回資料列。
使用 LLM 輔助嵌入的 SQL 查詢，有助於填補這項落差。套用嵌入後，您可以在這個範例中查詢表格，找出與指定文字提示詞 (例如「顏色錯誤」) 語意相似的項目。
下列步驟說明如何在先前所述的範例情境中啟用這項功能。
準備資料表
在 items 資料表的內容上執行 LLM 查詢前，您必須先準備資料表，根據現有資料儲存及建立嵌入的索引。
建立資料欄來儲存嵌入內容
在表格中新增資料欄，用來儲存嵌入內容。
sql
ALTER TABLE items ADD COLUMN complaint_embedding vector(3072) using varbinary;
本範例將 3072 指定為引數，因為 gemini-embedding LLM 支援的維度數量就是這麼多。詳情請參閱「產生嵌入內容」。
這個範例會將 vector 資料類型套用至資料欄，簡化搭配資料欄值使用 pgvector 函式和運算子的程序。
填入新資料欄
使用 mysql.ml_embedding() 函式，根據 complaints 欄中每列的文字值，在這個新欄中填入嵌入。在本範例中，Cloud SQL 會使用 ID 為 gemini-embedding 的 LLM 生成嵌入，版本為 001。
UPDATE items SET complaint_embedding = mysql.ml_embedding('gemini-embedding-001', complaints);
mysql.ml_embedding() 的二進位傳回值隱含轉換為 vector 值，以便將值儲存在您在「建立欄位來儲存嵌入內容」中建立的 vector 欄位。
建立索引
如要提升效能，請在 items 資料表中新增索引。
CREATE VECTOR INDEX complaint_embed_idx ON items(complaint_embedding)
USING SCANN DISTANCE_MEASURE=COSINE;
如要進一步瞭解如何建立這類索引，請參閱「建立最鄰近鄰居索引」。此外，如要進一步瞭解如何透過設定參數調整索引，請參閱「查詢和索引嵌入」。
使用提供的文字執行 LLM 輔助查詢
現在可以對 items 資料表執行語意最鄰近查詢。下列查詢使用 approx_distance 函式完成下列動作：
- 根據與
It was the wrong color文字的語意鄰近程度，排序表格列。 - 傳回前 10 大申訴案件。
查詢會顯示第一個排序資料列的 id 和 name 值。
SELECT mysql.ML_EMBEDDING('gemini-embedding-001', 'It was the wrong color') into @query_vector;
select id, name from items order by approx_distance(complaint_embedding , @query_vector,'distance_measure=cosine') limit 10;