Questa pagina presenta i database vettoriali supportati su RAG Engine. Puoi anche scoprire come connettere un database vettoriale (vector store) al tuo corpus RAG.
I database vettoriali svolgono un ruolo fondamentale nel consentire il recupero per le applicazioni RAG. I database vettoriali offrono un modo specializzato per archiviare ed eseguire query su vector embedding, ovvero rappresentazioni matematiche di testo o altri dati che acquisiscono il significato semantico e le relazioni. I vector embedding consentono ai sistemi RAG di trovare in modo rapido e accurato le informazioni più pertinenti all'interno di una vasta knowledge base, anche quando si tratta di query complesse o sfumate. Se combinati con un modello di embedding, i database vettoriali possono aiutare a superare le limitazioni degli LLM e fornire risposte più accurate, pertinenti e complete.
Database vettoriali supportati
Quando crei un corpus RAG, RAG Engine offre RagManagedDb, pronto per l'uso aziendale, come database vettoriale predefinito, che non richiede provisioning o gestione aggiuntivi. RagManagedDb offre opzioni di ricerca sia KNN che ANN e consente di passare a un livello base per una rapida prototipazione e sperimentazione. Per scoprire di più sulla scelta di una strategia di recupero su RagManagedDb o sull'aggiornamento del livello, consulta Utilizza RagManagedDb con RAG. Per consentire al motore RAG di creare e gestire automaticamente il database vettoriale, consulta Risorsa REST: projects.locations.ragCorpora.
Oltre al RagManagedDb predefinito, RAG Engine ti consente di eseguire il provisioning e utilizzare il tuo database vettoriale all'interno del corpus RAG. In questo caso, sei responsabile del ciclo di vita e della scalabilità del tuo database vettoriale.
Confronta le opzioni di database vettoriali
Questa tabella elenca i database vettoriali supportati in RAG Engine e fornisce link alle pagine che spiegano come utilizzarli all'interno del corpus RAG.
| Database vettoriale | Vantaggi | Ideale per | Svantaggi | Metriche di distanza supportate | Tipo di ricerca | Fase di lancio |
|---|---|---|---|---|---|---|
RagManagedDb (predefinito) è un servizio di database scalabile distribuito a livello di regione che offre una coerenza molto elevata e un'alta affidabilità e può essere utilizzato per una Vector Search.
easy simple fast quick |
|
|
|
cosine |
KNN (predefinito) e ANN | Disponibilità generale |
| Vector Search è il servizio di database vettoriale all'interno di Agent Platform ottimizzato per le attività di machine learning. |
|
|
|
cosinedot-product |
ANN | Disponibilità generale |
| Feature Store su Gemini Enterprise Agent Platform è un servizio gestito per organizzare, archiviare e distribuire caratteristiche di machine learning. |
|
|
|
cosinedot-productL2 squared |
ANN | Anteprima |
| Weaviate è un database vettoriale open source flessibile e modulare. |
|
|
|
cosinedot-productL2 squaredhammingmanhattan |
Supporto della ricerca ANN + ibrida | Anteprima |
| Pinecone è un database vettoriale cloud-native completamente gestito, progettato per una ricerca di somiglianza ad alte prestazioni. |
|
|
|
cosineeuclideandot-product |
ANN | Disponibilità generale |
Passaggi successivi
Per creare un corpus RAG, consulta Metodo: ragCorpora.create
Per elencare il corpus RAG, consulta Metodo: ragCorpora.list