Agent Retrieval 互動式示範

透過這項互動式試用版，您可以探索代理程式擷取 (前身為 Vector Search 2.0)，這是 Google Cloud的完全代管向量資料庫。您可以使用試用版，透過語意搜尋 (由 Gemini 自動嵌入、關鍵字文字搜尋或混合搜尋提供支援，後者使用倒數排名融合 (RRF) 演算法，結合語意搜尋和關鍵字文字搜尋)，在數百萬筆產品資訊中搜尋。結果可以重新排名，這項功能使用 Gemini Enterprise Agent Platform Ranking API 重新排名。

Agent Retrieval 的優點

向量搜尋需要另外生成嵌入項目、部署索引，以及使用 Vertex AI 特徵儲存庫儲存中繼資料。Agent Retrieval 提供統一的資料和嵌入儲存空間、自動產生嵌入，以及內建的文字搜尋功能，完全不需要管理基礎架構。

試試看！

如要執行，請按照下列步驟操作：

  1. 在「查詢」欄位中，描述要查詢的項目 (例如 vintage 1970s pinball machine)。或者，按一下「產生查詢」，自動產生說明。

  2. 按一下「提交」或按下 Enter 鍵。

在試用版中嘗試不同選項，搶先瞭解 Agent Retrieval 和向量搜尋技術的基本概念。詳情請參閱「使用者介面」。

使用者介面

本節說明 UI 中的設定，可用於控管 Agent Retrieval (舊稱 Vector Search 2.0) 傳回的結果，以及這些結果的排名方式。

資料集

使用「資料集」下拉式選單，選擇要讓 Agent Retrieval 針對哪個資料集執行查詢。如要瞭解各個資料集，請前往「資料集」頁面。

查詢

如要執行查詢，請按照下列步驟操作：

  1. 按一下「資料集」，然後選擇要對哪個資料集執行查詢。

  2. 在「查詢」欄位中新增說明、提出問題，或輸入一或多個關鍵字，指定 Agent Retrieval 要傳回結果的項目。或者，按一下「產生查詢」，自動產生查詢。

  3. 執行下列其中一個步驟：

    1. 如要傳回語意相似的結果，請選取「語意」。
    2. 如要根據查詢的文字語法傳回結果，請選取「文字」。
    3. 如要執行混合型搜尋，請同時選取「語意」和「文字」。

  4. 如果您要對「Mercari 3M items (128-dim Gemini text embeddings)」或「Mercari 3M items (768-dim Gemini text embeddings)」資料集進行語意查詢，請按一下「Query Task Type」(查詢工作類型)，然後選取「QUESTION_ANSWERING」(問答) 或「RETRIEVAL_QUERY」(擷取查詢)。

  5. 點選「提交」或按下 Enter 鍵，即可執行查詢。

修改

您可以使用許多選項，修改 Agent Retrieval (舊稱 Vector Search 2.0) 從查詢傳回的結果。

  • 按一下「資料列」，然後選擇 Agent 擷取 (舊稱 Vector Search 2.0) 要傳回的搜尋結果數量上限。

  • 選取「語意」，即可傳回語意相似的結果。

  • 選取「文字」，根據查詢的文字語法傳回結果。

  • 同時選取「語意」和「文字」，即可啟用混合搜尋。

  • 選取「重新排序」，根據查詢關聯性重新排序搜尋結果。 詳情請參閱「使用排序 API 提升搜尋和 RAG 品質」。

  • 選取「使用 kNN」，即可使用k 最鄰近演算法擷取搜尋結果。由於 kNN 提供 100% 的召回率，因此在偵錯或測試時非常實用。

  • 按一下「查詢工作類型」，然後選取要使用的查詢工作類型。只有在使用「Mercari 3M items (128-dim Gemini text embeddings)」和「Mercari 3M items (768-dim Gemini text embeddings)」資料集時，才能使用這項功能。如要進一步瞭解查詢工作類型，請參閱「選擇嵌入工作類型」。

  • 在「RRF Alpha」欄位中，輸入介於 0.0 和 1.0 之間的值，指定 RRF 排名效果。這項設定僅適用於混合搜尋 (同時選取「語意」和「文字」)。
    Alpha 值：

    • 1.0 - 完全依語意 (密集) 相似度排序結果。
    • 0.0 - Rank results purely by keyword (sparse) relevance.
    • 0.5 - 根據語意 (密集) 相似度和關鍵字 (稀疏) 關聯性，為結果排序。

    詳情請參閱「什麼是互惠排名融合？」一文。

指標

查詢執行完畢後，系統會提供延遲指標，細分搜尋各階段完成所需的時間。

包括：

  • 所有來源的總延遲時間。
  • 生成嵌入項目和執行向量搜尋所需的時間。
  • 如果選取「重新排序」，系統會顯示重新排序所花費的時間。
  • 網路和其他來源的總延遲時間。

嵌入

Agent Retrieval 支援下列嵌入類型：

查詢程序

在 Agent Retrieval 中，查詢程序取決於執行的搜尋類型和嵌入模型。

嵌入項目生成和搜尋會在單一 API 呼叫中進行。 Agent Retrieval 會使用 vertex_embedding_config 中為 Collection 指定的模型，在伺服器端自動產生查詢嵌入，執行搜尋作業，並傳回包含完整中繼資料的結果，不需要另外擷取 Vertex AI 特徵儲存庫。

Word2Vec 和多模態

用戶端會產生查詢嵌入項目，並傳送至 Agent Retrieval 進行向量搜尋。結果仍會包含集合中的完整中繼資料，不需要擷取 Vertex AI 特徵儲存庫。

文字

代理程式擷取會直接執行內建的關鍵字比對。 不會生成嵌入內容。

資料集

資料集 說明 嵌入模型 嵌入工作類型
Mercari 100 萬個項目
(768 維度的 Gemini 文字嵌入)		 使用 Gemini Embedding 2 嵌入模型，並提供個別的文字和圖像嵌入。這個資料集支援使用不同向量欄位的文字轉文字和文字轉圖像搜尋。 gemini-embedding-2-preview SEMANTIC_SIMILARITY
Mercari 3M 項目
(128 維度的 Gemini 文字嵌入)		 嵌入維度數量較少，因此索引大小和儲存空間費用較低。與 Mercari 300 萬項商品 (768 維度的 Gemini 文字嵌入) 相比，這個資料集的準確度可能較低。 gemini-embedding-001 RETRIEVAL_DOCUMENT
Mercari 3M 項目
(768 維度 Gemini 文字嵌入)		 具有全維度嵌入項目，可自動嵌入，且文字語意準確度高。這個資料集會使用 RETRIEVAL_DOCUMENT 進行非對稱查詢文件比對。 gemini-embedding-001 RETRIEVAL_DOCUMENT
Mercari 3M 項目
(768 維度 Gemini 文字嵌入、語意相似度)		 使用 SEMANTIC_SIMILARITY 工作類型進行相似度比對。這個資料集最適合需要「尋找類似項目」功能的使用案例，其中查詢和文件具有相同的語意。 gemini-embedding-001 SEMANTIC_SIMILARITY
Mercari 300 萬項商品
(1408 維度 Vertex AI 多模態嵌入)		 具有 Vertex AI 多模態嵌入，可編碼項目圖片以供圖片搜尋。 multimodal-embedding-001 不適用
Mercari 3M 項目
(100 維 Word2Vec 文字嵌入)		 使用 Gensim Word2Vec 嵌入模型。這個資料集的推論速度最快，但只提供字詞層級的語意理解，而且非常精簡。 Gensim Word2Vec 不適用

另請參閱