Auswahlmöglichkeiten für Vektordatenbanken in RAG Engine

Auf dieser Seite werden die von der RAG Engine unterstützten Vektordatenbanken vorgestellt. Außerdem erfahren Sie, wie Sie eine Vektordatenbank (Vektorspeicher) mit Ihrem RAG-Korpus verbinden.

Vektordatenbanken spielen eine entscheidende Rolle beim Abrufen von Informationen für RAG-Anwendungen. Vektordatenbanken bieten eine spezielle Möglichkeit, Vektoreinbettungen zu speichern und abzufragen. Dabei handelt es sich um mathematische Darstellungen von Text oder anderen Daten, die semantische Bedeutungen und Beziehungen erfassen. Vektoreinbettungen ermöglichen es RAG-Systemen, die relevantesten Informationen in einer umfangreichen Wissensdatenbank schnell und genau zu finden, selbst bei komplexen oder nuancierten Abfragen. In Kombination mit einem Einbettungsmodell können Vektordatenbanken dazu beitragen, die Einschränkungen von LLMs zu überwinden und genauere, relevantere und umfassendere Antworten zu liefern.

Unterstützte Vektordatenbanken

Beim Erstellen eines RAG-Korpus bietet die RAG Engine die unternehmensfertige RagManagedDb als Standard-Vektordatenbank an, die keine zusätzliche Bereitstellung oder Verwaltung erfordert. RagManagedDb bietet sowohl KNN- als auch ANN-Suchoptionen und ermöglicht den Wechsel zu einem Basis-Tarif für schnelles Prototyping und Experimentieren. Weitere Informationen zur Auswahl einer Abrufstrategie für RagManagedDb oder zum Aktualisieren der Stufe finden Sie unter RagManagedDb mit RAG verwenden. Wenn die RAG Engine die Vektordatenbank automatisch für Sie erstellen und verwalten soll, lesen Sie den Hilfeartikel REST-Ressource: projects.locations.ragCorpora.

Zusätzlich zum Standardmodell RagManagedDb können Sie mit der RAG Engine Ihre Vektordatenbank für die Verwendung in Ihrem RAG-Korpus bereitstellen und einbinden. In diesem Fall sind Sie für den Lebenszyklus und die Skalierbarkeit Ihrer Vektordatenbank verantwortlich.

Vektordatenbankoptionen vergleichen

In dieser Tabelle sind die Vektordatenbanken aufgeführt, die in der RAG Engine unterstützt werden. Außerdem finden Sie Links zu Seiten, auf denen erklärt wird, wie Sie die Vektordatenbanken in Ihrem RAG-Korpus verwenden.

Vektordatenbank   Vorteile   Optimal für   Nachteile Unterstützte Entfernungsmesswerte Suchtyp Startphase
RagManagedDb (Standard) ist ein regional verteilter, skalierbarer Datenbankdienst, der eine sehr hohe Konsistenz und Hochverfügbarkeit bietet und für eine Vektorsuche verwendet werden kann. easy simple fast quick
  • Keine Einrichtung erforderlich.
  • Gut geeignet für Anwendungsfälle im großen und kleinen Maßstab.
  • Sehr hohe Konsistenz.
  • Hochverfügbarkeit.
  • Niedrige Latenz.
  • Hervorragend für Transaktionsarbeitslasten geeignet.
  • CMEK aktiviert.
  • Dokumente in großer Anzahl erstellen.
  • RAG für Unternehmen erstellen
  • Schnelle Entwicklung eines Proof of Concept.
  • Geringer Bereitstellungs- und Wartungsaufwand.
  • Verwendung mit Chatbots.
  • RAG-Anwendungen erstellen
  • Für einen optimalen Recall muss der Index nach größeren Änderungen an Ihren Daten neu erstellt werden.
cosine KNN (Standard) und ANN Allgemein verfügbar
Die Vektorsuche ist der Vektordatenbankdienst in der Agent Platform, der für Machine-Learning-Aufgaben optimiert ist.
  • Integration in andere Google Cloud -Dienste.
  • Skalierbarkeit und Zuverlässigkeit werden durch die Infrastruktur von Google Cloud unterstützt.
  • Nutzungsbasierte Preise (Pay as you go)
  • Dokumente in großer Anzahl erstellen.
  • RAG für Unternehmen erstellen
  • Verwaltung der Vektordatenbank-Infrastruktur.
  • Bestandskunden von Google Cloud oder alle, die mehrere Dienste von Google Cloud nutzen möchten.
  • Aktualisierungen werden nicht sofort übernommen.
  • Anbieterabhängigkeit bei Google Cloud.
  • Kann je nach Anwendungsfall teurer sein.
cosine

dot-product
ANN Allgemein verfügbar
Feature Store auf der Gemini Enterprise Agent Platform ist ein verwalteter Dienst zum Organisieren, Speichern und Bereitstellen von Machine-Learning-Features.
  • Einbindung in die Gemini Enterprise Agent Platform und andere Dienste von Google Cloud .
  • Skalierbarkeit und Zuverlässigkeit werden durch die Infrastruktur von Google Cloud unterstützt.
  • Nutzt die vorhandene BigQuery-Infrastruktur.
  • Dokumente in großer Anzahl erstellen.
  • RAG für Unternehmen erstellen
  • Verwaltung der Vektordatenbank-Infrastruktur.
  • Bestehende Google Cloud -Kunden oder Kunden, die mehrere Google Cloud -Dienste nutzen möchten.
  • Änderungen sind im Onlineshop erst nach einer manuellen Synchronisierung verfügbar.
  • Anbieterabhängigkeit bei Google Cloud.
cosine

dot-product

L2 squared
ANN Vorschau
Weaviate ist eine flexible und modulare Open-Source-Vektordatenbank.
  • Unterstützt verschiedene Datentypen und bietet integrierte Graphfunktionen.
  • Bietet Open Source und eine lebendige Community.
  • Äußerst flexibel und anpassbar.
  • Unterstützt verschiedene Datentypen und Module für unterschiedliche Modalitäten wie Text und Bilder.
  • Sie können zwischen Cloud-Anbietern wie Google Cloud, AWS und Azure wählen.
  • Dokumente in großer Anzahl erstellen.
  • RAG für Unternehmen erstellen
  • Verwaltung der Vektordatenbank-Infrastruktur.
  • Bestehende Weaviate-Kunden.
  • Aktualisierungen werden nicht sofort übernommen.
  • Die Einrichtung und Verwaltung kann komplexer sein.
  • Die Leistung kann je nach Konfiguration variieren.
cosine

dot-product

L2 squared

hamming

manhattan
Unterstützung für ANN- und Hybridsuche Vorschau
Pinecone ist eine vollständig verwaltete, cloudnative Vektordatenbank, die für eine leistungsstarke Ähnlichkeitssuche entwickelt wurde.
  • Sie können schnell loslegen.
  • Hervorragende Skalierbarkeit und Leistung.
  • Fokus auf Vektorsuche mit erweiterten Funktionen wie Filterung und Metadatensuche.
  • Sie können zwischen Cloud-Anbietern wie Google Cloud, AWS und Azure wählen.
  • Dokumente in großer Anzahl erstellen.
  • RAG für Unternehmen erstellen
  • Verwaltung der Vektordatenbank-Infrastruktur.
  • Bestehende Pinecone-Kunden.
  • Aktualisierungen werden nicht sofort übernommen.
  • Kann teurer als andere Optionen sein.
  • Kontingente und Limits schränken die Skalierung und Leistung ein.
  • Begrenzte Kontrolle über die zugrunde liegende Infrastruktur.
cosine

euclidean

dot-product
ANN Allgemein verfügbar

Nächste Schritte