Opzioni del database vettoriale in RAG Engine

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
  • Nessuna configurazione necessaria.
  • Ideale per casi d'uso su scala aziendale e su piccola scala.
  • Coerenza molto elevata.
  • Alta affidabilità.
  • Bassa latenza.
  • Eccellente per i workload transazionali.
  • CMEK abilitata.
  • Generazione di documenti in grandi volumi.
  • Creazione di RAG di livello enterprise.
  • Sviluppare una proof of concept rapida.
  • Offre un overhead ridotto per il provisioning e la manutenzione.
  • Utilizzo con i chatbot.
  • Creazione di applicazioni RAG.
  • Per un richiamo ottimale, la funzionalità ANN richiede che l'indice venga ricostruito dopo modifiche importanti ai dati.
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.
  • Si integra con altri servizi Google Cloud .
  • Scalabilità e affidabilità sono supportate dall'infrastruttura Google Cloud .
  • Utilizza i prezzi con pagamento a consumo.
  • Generazione di documenti in grandi volumi.
  • Creazione di RAG di livello enterprise.
  • Gestione dell'infrastruttura di database vettoriali.
  • Clienti Google Cloud esistenti o chiunque voglia utilizzare più servizi Google Cloud .
  • Gli aggiornamenti non vengono applicati immediatamente.
  • Vendor lock-in con Google Cloud.
  • Potrebbe essere più costoso a seconda dei casi d'uso.
cosine

dot-product
ANN Disponibilità generale
Feature Store su Gemini Enterprise Agent Platform è un servizio gestito per organizzare, archiviare e distribuire caratteristiche di machine learning.
  • Si integra con Gemini Enterprise Agent Platform e altri servizi Google Cloud .
  • Scalabilità e affidabilità sono supportate dall'infrastruttura Google Cloud .
  • Sfrutta l'infrastruttura BigQuery esistente.
  • Generazione di documenti in grandi volumi.
  • Creazione di RAG di livello enterprise.
  • Gestione dell'infrastruttura di database vettoriali.
  • Clienti Google Cloud esistenti o clienti che vogliono utilizzare più servizi Google Cloud .
  • Le modifiche sono disponibili nel negozio online solo dopo l'esecuzione di una sincronizzazione manuale.
  • Vendor lock-in con Google Cloud.
cosine

dot-product

L2 squared
ANN Anteprima
Weaviate è un database vettoriale open source flessibile e modulare.
  • Supporta vari tipi di dati e offre funzionalità di grafi integrate.
  • Fornisce open source e una community vivace.
  • Altamente flessibile e personalizzabile.
  • Supporta diversi tipi di dati e moduli per diverse modalità, come testo e immagini.
  • Può scegliere tra provider cloud, come Google Cloud, AWS e Azure.
  • Generazione di documenti in grandi volumi.
  • Creazione di RAG di livello enterprise.
  • Gestione dell'infrastruttura di database vettoriali.
  • Clienti Weaviate esistenti.
  • Gli aggiornamenti non vengono applicati immediatamente.
  • La configurazione e la gestione possono essere più complesse.
  • Le prestazioni possono variare a seconda della configurazione.
cosine

dot-product

L2 squared

hamming

manhattan
Supporto della ricerca ANN + ibrida Anteprima
Pinecone è un database vettoriale cloud-native completamente gestito, progettato per una ricerca di somiglianza ad alte prestazioni.
  • Inizia rapidamente.
  • Scalabilità e prestazioni eccellenti.
  • Concentrati sulla ricerca vettoriale con funzionalità avanzate come il filtro e la ricerca dei metadati.
  • Può scegliere tra provider cloud, come Google Cloud, AWS e Azure.
  • Generazione di documenti in grandi volumi.
  • Creazione di RAG di livello enterprise.
  • Gestione dell'infrastruttura di database vettoriali.
  • Clienti Pinecone esistenti.
  • Gli aggiornamenti non vengono applicati immediatamente.
  • Può essere più costoso rispetto ad altre opzioni.
  • Le quote e i limiti limitano la scalabilità e le prestazioni.
  • Controllo limitato sull'infrastruttura sottostante.
cosine

euclidean

dot-product
ANN Disponibilità generale

Passaggi successivi