Anwendungsfälle für AlloyDB AI

Auf dieser Seite werden einige KI-Anwendungsfälle für AlloyDB for PostgreSQL beschrieben. Außerdem finden Sie Links zu Codelabs und Anleitungen, mit denen Sie sich mit verschiedenen Ansätzen vertraut machen oder Ihre Anwendung entwickeln können.

Einen Chatbot erstellen, der Fragen zu Filmen beantwortet

In diesem Tutorial zeigen wir Ihnen, wie Sie einen generativen KI-Chatbot erstellen, der Gemini, Vertex AI und die AlloyDB LangChain-Integration verwendet. Sie erfahren, wie Sie strukturierte Daten aus Ihrer Datenbank extrahieren, Einbettungen generieren und Ihre Daten so formatieren, dass Sie eine Vektorsuche in einer Retrieval-Augmented-Generation-Anwendung (RAG) ausführen können.

Verwenden Sie eine Filmdatenbank, um Ihrem LLM Informationen zu den beliebtesten Filmen zur Verfügung zu stellen. Grundlagen tragen dazu bei, dass die LLM-Ausgabe korrekt und relevant ist.

RAG-Anwendung mit LangChain in Vertex AI bereitstellen

In dieser Anleitung erfahren Sie, wie Sie mit dem Vertex AI SDK für Python und der AlloyDB LangChain-Integration einen Agenten erstellen und bereitstellen.

Hier erfahren Sie, wie Sie mithilfe von Agenten und Vektoren mit LangChain eine Ähnlichkeitssuche durchführen und zugehörige Daten abrufen, um LLM-Antworten zu fundieren.

In diesem Codelab erfahren Sie, wie Sie AlloyDB-KI-Funktionen wie die Verwaltung von Modellendpunkten und die Vektorsuche verwenden, um relevante Produkte zu finden.

Hier erfahren Sie, wie Sie mithilfe der Modellendpunktverwaltung Einbettungen in Ihren Datenbankdaten generieren und mit Ihren Betriebsdaten Vektorähnlichkeitssuchen durchführen. In diesem Tutorial wird ein Vertex AI-Embedding-Modell in AlloyDB und Vertex AI-Generative AI-Modelle verwendet.

In diesem Codelab erfahren Sie, wie Sie die Patentrecherche mithilfe der Vektorsuche, AlloyDB, der pgvector-Erweiterung, Einbettungen und Gemini 1.5 Pro verbessern.

Einen personalisierten Mode-Styling-Assistenten erstellen und bereitstellen

In den folgenden Codelabs erfahren Sie, wie Sie mit Gemini, der Modellendpunktverwaltung, der Vektorsuche, Vertex AI und Agenten einen personalisierten Stilassistenten erstellen und bereitstellen.

Daten aus einer Vektordatenbank zu AlloyDB migrieren

In dieser Anleitung wird beschrieben, wie Sie Daten aus einer Drittanbieter-Vektordatenbank mithilfe von LangChain-Vektorspeichern zu AlloyDB migrieren.

Die folgenden Vektordatenbanken werden unterstützt: Pinecone, Weaviate, Chroma, Qdrant und Milvus.

Suchanwendung für ein Spielzeuggeschäft erstellen

Im folgenden Codelab erfahren Sie, wie Sie mithilfe der kontextbezogenen Suche und der benutzerdefinierten Generierung des Produkts, das dem Suchkontext entspricht, eine personalisierte und nahtlose Suche in einem Spielzeuggeschäft erstellen.

Sie verwenden pgvector- und generative KI-Modellerweiterungen in AlloyDB, eine Echtzeit-Kosinussimilaritätssuche, Gemini 2.0 Flash und die Gen AI Toolbox for Databases.

Anwendung erstellen, die eine Datenbankabfrage von Ihrem Agenten oder einer generativen KI-Anwendung aufruft

Im folgenden Codelab erfahren Sie, wie Sie eine Anwendung erstellen, in der mit der Gen AI Toolbox for Databases eine einfache AlloyDB-Abfrage ausgeführt wird, die Sie über Ihren Agenten oder eine generative KI-Anwendung aufrufen können.

KI-gestützte Outfit-Empfehlungs-App mit AlloyDB und serverlosen Laufzeiten erstellen

Im folgenden Codelab erfahren Sie, wie Sie mit AlloyDB AI und serverlosen Laufzeiten eine KI-gestützte App für Outfit-Empfehlungen erstellen. Darin wird erklärt, wie Nutzer ein Bild von Kleidung hochladen und KI-gestützte Stilvorschläge und Visualisierungen erhalten können.

Im Codelab werden Google Cloud Technologien wie AlloyDB AI, Gemini 2.0 und Imagen 3 verwendet, um eine Webanwendung zu erstellen, die in der serverlosen Laufzeit von Cloud Run bereitgestellt wird.

Nächste Schritte