AlloyDB for PostgreSQL 支援多種生成式 AI 用途，包括語意搜尋、檢索增強生成 (RAG) 和 AI 輔助代理。您可以探索下列程式碼實驗室、筆記本和教學課程，評估架構方法並加快應用程式開發速度。
| 用途 | 說明 |
|---|---|
| 加速專利檢索並提高精確度 | 這些程式碼實驗室說明如何搭配使用向量搜尋與 AlloyDB、pgvector 擴充功能、嵌入、Gemini 和 Java Agent Development Kit (ADK)，提升專利研究效率。 |
| 在 AlloyDB 生成多模態嵌入 | 本程式碼實驗室會示範如何使用 AlloyDB AI 的功能，透過多模態嵌入執行語意搜尋。 瞭解如何執行不同類型的搜尋，包括文字語意搜尋、以圖搜尋圖片、以文字搜尋圖片，以及結合不同搜尋類型的混合方法。
|
| 使用 AlloyDB AI 自然語言生成 SQL | 本程式碼實驗室提供逐步指南，說明如何使用 AlloyDB AI 自然語言功能生成 SQL 查詢。 本程式碼實驗室使用虛構的電子商務資料集，示範如何以自然語言 (英文) 提問，並讓 AlloyDB AI 將問題翻譯成 SQL。
|
| 套用語意篩選器並重新排序向量搜尋結果，提升搜尋品質 | 本程式碼實驗室將說明如何使用 AlloyDB AI 功能，例如 AI 查詢運算子、模型端點管理和 向量搜尋，協助您提升搜尋品質及使用語意篩選器。 瞭解如何使用 AI 查詢運算子進行語意篩選，在 SQL 中解鎖全新體驗。使用 LLM 和 語意排名模型，為向量搜尋結果排名，提高向量搜尋的準確度。本教學課程使用 AlloyDB 中的 Agent Platform 語意排名模型，以及 Agent Platform 生成式 AI 模型。
|
| 運用 AlloyDB 和無伺服器執行階段，打造 AI 穿搭建議應用程式 | 下列程式碼實驗室會示範如何運用 AlloyDB AI 和無伺服器執行階段，打造 AI 輔助穿搭建議應用程式。說明使用者如何上傳服裝圖片，並取得 AI 提供的風格建議和視覺化效果。 本程式碼實驗室會使用 AlloyDB AI、Gemini 2.0 和 Imagen 3 等 Google Cloud 技術，建立部署於 Cloud Run 無伺服器執行階段的網頁應用程式。 |
| 建構應用程式，從代理或生成式 AI 應用程式叫用資料庫查詢 | 下列程式碼實驗室會示範如何建構應用程式，透過 Gen AI Toolbox for Databases 執行簡易 AlloyDB 查詢，您可以從代理或生成式 AI 應用程式叫用該項查詢。 |
| 建構及部署個人化時尚造型助理 | 下列程式碼實驗室會說明如何使用 Gemini、模型端點管理、向量搜尋、Agent Platform 和代理，建構及部署個人化風格助理。 |
| 運用 AlloyDB AI 和 LangChain 建構 LLM 和 RAG 型對話應用程式 | 本程式碼實驗室會引導您部署生成式 AI 資料庫檢索服務，並說明如何使用新設定的環境建構範例互動式應用程式。 |
| 建立聊天機器人，回答電影相關問題 | 本教學課程說明如何使用 Gemini、Agent Platform 和 AlloyDB LangChain 整合功能，建構生成式 AI 聊天機器人。您將瞭解如何從資料庫擷取結構化資料、生成嵌入，以及設定資料格式，以便在檢索增強生成 (RAG) 應用程式中執行向量搜尋。 使用電影資料庫，為 LLM 提供最熱門電影的資訊。建立基準有助於確保 LLM 輸出內容準確且相關。
|
| 建立玩具商店搜尋應用程式 | 下列程式碼實驗室會說明如何使用情境搜尋功能，以及根據搜尋情境自訂生成產品，打造個人化且流暢的玩具商店搜尋體驗。 您將使用 AlloyDB 的 pgvector 和生成式 AI 模型擴充功能、即時餘弦相似度搜尋、Gemini 2.0 Flash，以及 Gen AI Toolbox for Databases。 |
| 在 Kubernetes 部署 AlloyDB Omni 和本機 AI 模型 | 在本程式碼實驗室中，您將瞭解如何在 Google Kubernetes Engine (GKE) 部署 AlloyDB Omni，並搭配使用部署於同一個 Kubernetes 叢集的開放式嵌入模型。 |
| 在 Agent Platform 使用 LangChain 部署 RAG 應用程式 | 本教學課程說明如何使用 Agent Platform SDK for Python 和 AlloyDB LangChain 整合功能，建構及部署代理。 瞭解如何搭配使用代理、向量和 LangChain，執行相似度搜尋並擷取相關資料，做為 LLM 回覆的依據。 |
| 將混合型搜尋和 AI 函式整合至搜尋應用程式 | 這項示範說明 Google Cloud AlloyDB 的 AI 功能，整合混合搜尋 (包括 SQL、向量和全文搜尋) 與 AI 函式，並套用至 Cymbal Shops 的電子商務範例資料集。 |
| 將資料從向量資料庫遷移至 AlloyDB | 下列教學課程說明如何使用 LangChain 向量儲存庫，將資料從第三方向量資料庫遷移至 AlloyDB。 支援的向量資料庫包括 Pinecone、Weaviate、Chroma、Qdrant 和 Milvus。
|
| 執行多模態混合型產品搜尋 | 這個筆記本將示範如何在 AlloyDB 中，為虛構的大型電子商務零售商 Cymbal Shops 執行混合型搜尋。這份筆記本結合多模態向量嵌入、全文搜尋 (一般化反向索引) 和 BM25 稀疏嵌入 (pgvector 0.7.0 以上版本)，並透過倒數排名融合 (Reciprocal Rank Fusion) 演算法將結果重新排名，強化產品搜尋功能。 |
| 使用向量索引進行相似度搜尋，找出相關產品 | 本程式碼實驗室將說明如何使用 AlloyDB AI 功能，例如模型端點管理 和向量搜尋，協助您找到相關產品。 瞭解如何使用模型端點管理功能，為資料庫資料生成嵌入，並使用作業資料執行向量相似度搜尋。本教學課程使用 AlloyDB 中的 Agent Platform 嵌入模型和 Agent Platform 生成式 AI 模型。
|
| 使用 MCP Toolbox for Databases 搭配 AlloyDB AI，建立對話式產品搜尋功能 | 瞭解如何使用 MCP Toolbox for Databases、AlloyDB AI 和向量搜尋，打造購物 AI 代理，徹底顛覆零售體驗。本教學課程會示範代理的功能，包括對話式產品搜尋和下單。 |