透過 Vector Search 互動式試用版，體驗最先進的向量搜尋技術。這項示範會運用真實資料集提供實際範例，協助您瞭解 Vector Search 的運作方式、認識語意和混合型搜尋，以及查看實際的重新排名情形。只要提交動物、植物、電子商務商品或其他物品的簡短說明，Vector Search 就能完成剩餘步驟！
試試看！
在試用版中嘗試不同選項，搶先體驗 Vector Search，並瞭解向量搜尋技術的基本概念。
如要執行，請按照下列步驟操作：
在「查詢」文字欄位中，描述要查詢的項目 (例如
vintage 1970s pinball machine)。或者，按一下「產生查詢」，自動產生說明。按一下「提交」。
如要進一步瞭解您可以在試用版中執行的操作，請參閱「使用者介面」。
使用者介面
本節說明如何透過 UI 中的設定，控制向量搜尋傳回的結果，以及結果的排序方式。
資料集
使用「資料集」下拉式選單，選擇 Vector Search 要對哪個資料集執行查詢。如要瞭解各項資料集的詳細資訊，請參閱「資料集」一文。
查詢
在「查詢」欄位中，新增說明或一或多個關鍵字，指定要讓 Vector Search 尋找的項目。或者，按一下「產生查詢」，自動生成說明。
修改
您可以透過幾種方式修改向量搜尋傳回的結果：
按一下「資料列」，然後選擇 Vector Search 要傳回的搜尋結果數上限。
如要讓 Vector Search 傳回語意相似的結果，請選取「使用密集嵌入」。
如要讓 Vector Search 根據查詢的文字語法傳回結果，請選取「使用稀疏嵌入」。並非所有可用資料集都支援稀疏嵌入模型。
如要讓 Vector Search 使用混合型搜尋，請同時選取「使用稠密嵌入」和「使用稀疏嵌入」。並非所有資料集都支援這個模型。混合型搜尋結合了密集和稀疏嵌入的元素，可提升搜尋結果的品質。詳情請參閱「關於混合型搜尋」。
在「RRF Alpha」欄位中輸入介於 0.0 和 1.0 之間的值，指定 RRF 排名效果。
如要重新排序搜尋結果，請從「重新排序」下拉式選單中選取「ranking_api」，或選取「無」來停用重新排序功能。
指標
查詢執行完畢後，系統會提供延遲指標，細分搜尋各階段完成所需的時間。
查詢程序
處理查詢時，會發生下列情況：
查詢嵌入生成：系統會為指定的查詢文字生成嵌入。
向量搜尋查詢：查詢會使用向量搜尋索引執行。
Gemini Enterprise Agent Platform 特徵儲存庫擷取：系統會使用 Vector Search 傳回的項目 ID 清單，從 Gemini Enterprise Agent Platform 特徵儲存庫讀取特徵 (例如項目名稱、說明或圖片網址)。
重新排序：系統會透過排序 API 排序擷取的項目，並使用查詢文字、項目名稱和項目說明計算關聯性分數。
嵌入
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：『具有視覺功能的 LLM』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「Agent Platform Embeddings for Text: Grounding LLMs made easy」。
文字 (問答)：對項目名稱和說明進行文字語意搜尋，並依 QUESTION_ANSWERING 工作類型提升搜尋品質。這類應用程式適合用於問答類型。如要瞭解工作類型嵌入，請參閱「運用 Agent Platform 嵌入和工作類型強化生成式 AI 應用實例」。
稀疏 (混合式搜尋)：對項目名稱和說明執行關鍵字 (詞元型) 搜尋，並使用 TF-IDF 演算法生成結果。詳情請參閱「關於混合型搜尋」。
資料集
互動式示範包含多個資料集，您可以在這些資料集上執行查詢。資料集之間的差異在於嵌入模型、稀疏嵌入支援、嵌入維度和儲存項目數量。
| 資料集 | 嵌入模型 | 稀疏嵌入模型 | 嵌入項目維度 | 項目數量 |
|---|---|---|---|---|
| Mercari 多模態 + 稀疏嵌入 | 多模態嵌入 | TF-IDF (項目名稱和說明) |
1408 | 約 300 萬 |
| Mercari Text (語意相似度) + 稀疏嵌入 | text-embedding-005 (工作類型：SEMANTIC_SIMILARITY) |
TF-IDF (項目名稱和說明) |
768 | 約 300 萬 |
| Mercari Text (問答) + 稀疏型嵌入 | text-embedding-005 (工作類型：QUESTION_ANSWERING) |
TF-IDF (項目名稱和說明) |
768 | 約 300 萬 |
| GBIF Flowers 多模態 + 稀疏嵌入 | 多模態嵌入 | TF-IDF (項目名稱和說明) |
1408 | 約 330 萬 |
| GBIF 動物多模態嵌入 | 多模態嵌入 | 不適用 | 1408 | 約 700 萬 |
後續步驟
您已熟悉這個範例，接下來可以深入瞭解如何使用 Vector Search。