智能体检索互动演示

通过此互动演示，您可以探索代理检索（以前称为 Vector Search 2.0），这是 Google Cloud的一项全代管式向量数据库服务。 您可以使用演示版，通过语义搜索（由 Gemini 自动嵌入提供支持）、关键字文本搜索或混合搜索（使用倒数排序融合 [RRF] 来结合语义搜索和关键字文本搜索）在数百万个商品详情中进行搜索。结果可以重新排名，这会使用 Gemini Enterprise Agent Platform Ranking API 进行重新排名。

智能体检索的优势

向量搜索需要单独生成嵌入、部署索引，并使用 Vertex AI Feature Store 来存储元数据。代理检索可为数据和嵌入提供统一的存储空间，自动生成嵌入，并提供内置的文本搜索功能，无需您管理基础架构。

试试看！

如需运行，请执行以下操作：

  1. 在查询字段中，描述您要查询的商品（例如，vintage 1970s pinball machine）。或者，点击生成查询以自动生成说明。

  2. 点击提交或按 Enter 键。

不妨试用演示中的不同选项，抢先了解代理检索和向量搜索技术的基础知识。如需了解详情，请参阅界面。

界面

本部分介绍了界面中的设置，您可以使用这些设置来控制代理检索（以前称为 Vector Search 2.0）返回的结果及其排名。

数据集

使用数据集下拉菜单选择 Agent Retrieval 将针对哪个数据集运行查询。如需了解每个数据集，请参阅数据集。

查询

如需运行查询，请执行以下操作：

  1. 点击数据集，然后选择要针对哪个数据集运行查询。

  2. 在查询字段中，添加说明、提出问题或输入一个或多个关键字，以指定代理检索要返回结果的商品。或者，点击生成查询以自动生成查询。

  3. 执行下列其中一项操作：

    1. 如需返回语义相似的结果，请选择语义。
    2. 如需根据查询的文本语法返回结果，请选择文本。
    3. 如需执行混合搜索，请同时选择语义和文本。

  4. 如果您要对 Mercari 300 万件商品（128 维 Gemini 文本嵌入）或 Mercari 300 万件商品（768 维 Gemini 文本嵌入）数据集进行语义查询，请点击查询任务类型，然后选择 QUESTION_ANSWERING 或 RETRIEVAL_QUERY。

  5. 点击提交或按 Enter 键运行查询。

修改

您可以使用多种选项来修改代理检索（以前称为 Vector Search 2.0）针对查询返回的结果。

  • 点击行，然后选择您希望代理检索（以前称为 Vector Search 2.0）返回的搜索结果数量上限。

  • 选择语义可返回语义上相似的结果。

  • 选择文本可根据查询的文本语法返回结果。

  • 同时选择语义和文本即可启用混合搜索。

  • 选择重新排名，根据搜索结果与查询的相关性重新对搜索结果进行排名。 如需了解详情，请参阅使用 Ranking API 提高搜索和 RAG 质量。

  • 选择使用 kNN 可使用 k 最近邻算法来检索搜索结果。由于 kNN 可提供 100% 的召回率，因此在调试或测试时非常有用。

  • 点击查询任务类型，然后选择要使用的查询任务类型。此选项仅在使用 Mercari 300 万件商品（128 维 Gemini 文本嵌入）和 Mercari 300 万件商品（768 维 Gemini 文本嵌入）数据集时可用。如需详细了解查询任务类型，请参阅选择嵌入任务类型。

  • 在 RRF Alpha 字段中，输入介于 0.0 和 1.0 之间的值，以指定 RRF 排名效果。此字段仅适用于混合搜索（同时选择语义和文本）。
    Alpha 值：

    • 1.0 - 仅按语义（密集）相似度对结果进行排名。
    • 0.0 - 仅按关键字（稀疏）相关性对结果进行排名。
    • 0.5 - 对结果进行排名，并为语义（密集）相似度和关键字（稀疏）相关性赋予重新加权后的权重。

    如需了解详情，请参阅什么是倒数排序融合？

指标

查询运行后，系统会提供延迟时间指标，细分搜索不同阶段完成所用的时间。

其中包括：

  • 所有来源的总延迟时间。
  • 生成嵌入和执行向量搜索所花费的时间。
  • 如果选择了 Rerank，则为重新排名所用的时间。
  • 来自网络和其他来源的延迟总时长。

Embeddings

代理检索支持以下嵌入类型：

查询流程

在代理检索中，查询过程取决于执行的搜索类型和嵌入模型。

嵌入生成和搜索通过一次 API 调用即可完成。Agent Retrieval 会使用 Collection 中 vertex_embedding_config 指定的模型在服务器端自动生成查询嵌入，执行搜索，并返回包含完整元数据的结果，而无需单独提取 Vertex AI Feature Store。

Word2Vec 和多模态

客户端生成查询嵌入，并将其发送到 Agent Retrieval 以进行向量搜索。结果仍包含来自集合的完整元数据，无需进行 Vertex AI Feature Store 提取。

文本

代理检索直接执行内置的关键字匹配，不生成嵌入内容。

数据集

数据集 说明 嵌入模型 嵌入任务类型
Mercari 100 万件商品
（768 维 Gemini 文本嵌入）		 使用 Gemini Embedding 2 嵌入模型，该模型具有单独的文本和图片嵌入。此数据集支持使用不同向量字段的文生文搜索和文生图搜索。 gemini-embedding-2-preview SEMANTIC_SIMILARITY
Mercari 300 万件商品
（128 维 Gemini 文本嵌入）		 嵌入维度数量减少，可降低索引大小和存储费用。与 Mercari 300 万商品（768 维 Gemini 文本嵌入）相比，此数据集的准确性可能较低。 gemini-embedding-001 RETRIEVAL_DOCUMENT
Mercari 300 万件商品
（768 维 Gemini 文本嵌入）		 具有全维度嵌入，支持自动嵌入，文本语义准确度高。此数据集使用 RETRIEVAL_DOCUMENT 进行非对称查询-文档匹配。 gemini-embedding-001 RETRIEVAL_DOCUMENT
Mercari 300 万件商品
（768 维 Gemini 文本嵌入，语义相似度）		 使用 SEMANTIC_SIMILARITY 任务类型进行相似度匹配。此数据集最适合需要“查找类似商品”功能的应用场景，其中查询和文档具有相同的语义。 gemini-embedding-001 SEMANTIC_SIMILARITY
Mercari 300 万件商品
（1,408 维 Vertex AI 多模态嵌入）		 具有 Vertex AI 多模态嵌入，可对商品图片进行编码以用于图片搜索。 multimodal-embedding-001 不适用
Mercari 300 万件商品
（100 维 Word2Vec 文本嵌入）		 使用 Gensim Word2Vec 嵌入模型。此数据集的推理速度最快。它仅提供字词级语义理解，但非常紧凑。 Gensim Word2Vec 不适用

另请参阅