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 |
|
|
|
cosine |
KNN (Standard) und ANN | Allgemein verfügbar |
| Die Vektorsuche ist der Vektordatenbankdienst in der Agent Platform, der für Machine-Learning-Aufgaben optimiert ist. |
|
|
|
cosinedot-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. |
|
|
|
cosinedot-productL2 squared |
ANN | Vorschau |
| Weaviate ist eine flexible und modulare Open-Source-Vektordatenbank. |
|
|
|
cosinedot-productL2 squaredhammingmanhattan |
Unterstützung für ANN- und Hybridsuche | Vorschau |
| Pinecone ist eine vollständig verwaltete, cloudnative Vektordatenbank, die für eine leistungsstarke Ähnlichkeitssuche entwickelt wurde. |
|
|
|
cosineeuclideandot-product |
ANN | Allgemein verfügbar |
Nächste Schritte
Informationen zum Erstellen eines RAG-Korpus finden Sie unter Methode: ragCorpora.create.
Informationen zum Auflisten von RAG-Korpora finden Sie unter Methode: ragCorpora.list.