開始使用生成式 AI

本頁面說明如何開始在應用程式中導入生成式 AI 功能，並介紹 Firestore 的生成式 AI 功能和整合方式。

使用 Cloud Firestore 進行向量搜尋的快速入門導覽課程

如要為產品推薦和聊天機器人等用途打造創新的 AI 輔助解決方案，通常需要向量相似度搜尋 (簡稱向量搜尋)。您可以在 Firestore 資料上執行向量搜尋，不必費心將資料複製到其他向量搜尋解決方案，維持操作的簡單和效率。

Cloud Firestore 中的向量搜尋核心工作流程包含 4 個步驟。

如要全面瞭解向量搜尋，請參閱我們的網誌文章

生成向量嵌入

使用向量搜尋的第一步是生成向量嵌入。 嵌入是文字、圖片和影片等不同類型資料的表示法，可擷取所代表實體之間的語意或語法相似度。您可以使用服務 (例如 Vertex AI Text Embeddings API) 計算嵌入。

將嵌入內容儲存在 Firestore 中

生成嵌入後，您可以使用其中一個支援的 SDK，將嵌入儲存在 Firestore 中。NodeJS SDK 中的這項作業如下所示：

const db = new Firestore();
let collectionRef = db.collection("beans");
await collectionRef.add({
  name: "Kahawa coffee beans",
  type: "arabica",
  description: "Information about the Kahawa coffee beans.",
  embedding_field: FieldValue.vector([0.1, 0.3, ..., 0.2]), // a vector with 768 dimensions
});

建立向量索引

下一步是建立 Firestore KNN 向量索引，用於儲存向量嵌入。在預先發布版中，您需要使用 gcloud 指令列工具建立索引。

新增所有向量嵌入並建立向量索引後，即可執行搜尋。然後，您會在集合參照上使用 find_nearest 呼叫，傳遞要與儲存的嵌入項目比較的查詢向量嵌入項目，並指定要使用的距離函式。

如要再次瞭解工作流程和更多用途，請參閱我們的網誌文章。

摘要：儲存及查詢向量嵌入。

用途：這項功能供其他工具和功能使用。

參閱向量搜尋指南

解決方案：使用 Firebase 擴充功能進行向量搜尋

摘要：使用 Firebase 擴充功能，透過向量搜尋功能自動嵌入及查詢 Firestore 文件。

用途：在 Firebase 專案中執行自動向量搜尋。

查看擴充功能說明

解決方案：LangChain 整合功能

摘要：將 Firestore 做為 LangChain 的向量儲存庫、文件載入器或對話訊息記錄來源。

用途：建構生成式 AI 應用程式或檢索增強生成 (RAG) 工作流程。

參閱 LangChain 指南

解決方案：Genkit

摘要：Genkit 是開放原始碼架構，可協助您建構、部署及監控可用於正式環境的 AI 輔助應用程式。

用途：使用 Genkit 和 Cloud Firestore 建立應用程式，產生自訂內容、使用語意搜尋、處理非結構化輸入內容、根據業務資料回答問題等！

請參閱 Genkit 說明文件