Opciones de bases de datos de vectores en RAG Engine

En esta página, se presentan las bases de datos vectoriales compatibles con RAG Engine. También puedes ver cómo conectar una base de datos vectorial (almacén de vectores) a tu corpus de RAG.

Las bases de datos vectoriales desempeñan un papel fundamental en la recuperación de datos para las aplicaciones de RAG. Las bases de datos vectoriales ofrecen una forma especializada de almacenar y consultar embeddings de vectores, que son representaciones matemáticas de texto o de otros datos que capturan el significado y las relaciones semánticas. Los embeddings de vectores permiten que los sistemas de RAG encuentren de forma rápida y precisa la información más pertinente dentro de una base de conocimiento amplia, incluso cuando se trata de consultas complejas o con matices. Cuando se combinan con un modelo de embeddings, las bases de datos vectoriales pueden ayudar a superar las limitaciones de los LLM y proporcionar respuestas más precisas, pertinentes y completas.

Bases de datos vectoriales compatibles

Cuando se crea un corpus de RAG, RAG Engine ofrece RagManagedDb listo para la empresa como la base de datos vectorial predeterminada, que no requiere aprovisionamiento ni administración adicionales. RagManagedDb ofrece opciones de búsqueda de KNN y ANN, y permite cambiar a un nivel básico para realizar prototipos y experimentos rápidos. Para obtener más información sobre cómo elegir una estrategia de recuperación en RagManagedDb o para actualizar el nivel, consulta Usa RagManagedDb con RAG. Para que RAG Engine cree y administre automáticamente la base de datos vectorial, consulta Recurso de REST: projects.locations.ragCorpora .

Además del RagManagedDb predeterminado, RAG Engine te permite aprovisionar y usar tu base de datos vectorial dentro de tu corpus de RAG. En este caso, eres responsable del ciclo de vida y la escalabilidad de tu base de datos vectorial.

Compara las opciones de bases de datos vectoriales

En esta tabla, se enumeran las opciones de bases de datos vectoriales que se admiten en RAG Engine y se proporcionan vínculos a páginas que explican cómo usar las bases de datos vectoriales en tu corpus de RAG.

Base de datos vectorial   Beneficios   Ideal para   Desventajas Métricas de distancia admitidas Tipo de búsqueda Etapa de lanzamiento
RagManagedDb (predeterminado) es un servicio de base de datos escalable distribuido de forma regional que ofrece una coherencia y una disponibilidad muy altas, y se puede usar para una búsqueda de vectores. fácil simple rápido veloz
  • No necesita configuración.
  • Es adecuado para casos de uso a escala empresarial y a pequeña escala.
  • Coherencia muy alta.
  • Alta disponibilidad.
  • Latencia baja
  • Excelente para cargas de trabajo transaccionales.
  • CMEK habilitadas.
  • Generar documentos de gran volumen
  • Compila RAG a escala empresarial.
  • Desarrollar una prueba de concepto rápida
  • Proporciona una baja sobrecarga de aprovisionamiento y mantenimiento.
  • Uso con chat bots
  • Compilar aplicaciones de RAG
  • Para obtener una recuperación óptima, la función de ANN requiere que se vuelva a compilar el índice después de realizar cambios importantes en tus datos.
 cosine KNN (predeterminado) y ANN Disponible de manera general
Vector Search es el servicio de base de datos vectorial de Agent Platform que está optimizado para tareas de aprendizaje automático.
  • Se integra en otros servicios de Google Cloud .
  • La escalabilidad y la confiabilidad se respaldan en la infraestructura de Google Cloud .
  • Usa precios de pago por uso.
  • Generar documentos de gran volumen
  • Compila RAG a escala empresarial.
  • Administrar la infraestructura de la base de datos vectorial
  • Clientes existentes de Google Cloud o cualquier persona que quiera usar varios servicios de Google Cloud .
  • Las actualizaciones no se reflejan de inmediato.
  • Dependencia de un proveedor con Google Cloud.
  • Podría ser más costoso según tus casos de uso.
 cosine

dot-product		 ANN Disponible de manera general
Feature Store en Gemini Enterprise Agent Platform es un servicio administrado para organizar, almacenar y entregar atributos de aprendizaje automático.
  • Se integra con Gemini Enterprise Agent Platform y otros servicios de Google Cloud .
  • La escalabilidad y la confiabilidad se respaldan en la infraestructura de Google Cloud .
  • Aprovecha la infraestructura existente de BigQuery.
  • Generar documentos de gran volumen
  • Compila RAG a escala empresarial.
  • Administrar la infraestructura de la base de datos vectorial
  • Clientes existentes de Google Cloud o clientes que buscan usar varios servicios de Google Cloud .
  • Los cambios solo están disponibles en la tienda en línea después de que se realiza una sincronización manual.
  • Dependencia de un proveedor con Google Cloud.
 cosine

dot-product

L2 squared		 ANN Vista previa
Weaviate es una base de datos vectorial de código abierto que es flexible y modular.
  • Admite varios tipos de datos y ofrece funciones de grafos integradas.
  • Proporciona código abierto y una comunidad activa.
  • Altamente flexible y personalizable
  • Admite diversos tipos de datos y módulos para diferentes modalidades, como texto e imágenes.
  • Pueden elegir entre proveedores de servicios en la nube, como Google Cloud, AWS y Azure.
  • Generar documentos de gran volumen
  • Compila RAG a escala empresarial.
  • Administrar la infraestructura de la base de datos vectorial
  • Clientes existentes de Weaviate
  • Las actualizaciones no se reflejan de inmediato.
  • Puede ser más complejo de configurar y administrar.
  • El rendimiento puede variar según la configuración.
 cosine

dot-product

L2 squared

hamming

manhattan		 Compatibilidad con ANN y búsqueda híbrida Vista previa
Pinecone es una base de datos vectorial nativa de la nube completamente administrada y diseñada para una búsqueda de similitud de alto rendimiento.
  • Comienza rápidamente.
  • Excelente escalabilidad y rendimiento.
  • Se enfoca en la búsqueda de vectores con funciones avanzadas, como el filtrado y la búsqueda de metadatos.
  • Pueden elegir entre proveedores de servicios en la nube, como Google Cloud, AWS y Azure.
  • Generar documentos de gran volumen
  • Compila RAG a escala empresarial.
  • Administrar la infraestructura de la base de datos vectorial
  • Clientes existentes de Pinecone
  • Las actualizaciones no se reflejan de inmediato.
  • Puede ser más costosa que las otras opciones.
  • Las cuotas y los límites restringen el escalamiento y el rendimiento.
  • Control limitado sobre la infraestructura subyacente.
 cosine

euclidean

dot-product		 ANN Disponible de manera general

¿Qué sigue?