En esta página, se presentan las bases de datos de vectores compatibles con el motor de RAG de Vertex AI. También puedes ver cómo conectar una base de datos de vectores (almacén de vectores) a tu corpus de RAG.
Las bases de datos vectoriales desempeñan un papel fundamental para habilitar la recuperación en las aplicaciones de RAG. Las bases de datos de vectores ofrecen una forma especializada de almacenar y consultar embeddings de vectores, que son representaciones matemáticas de texto o de otros datos que capturan el significado y las relaciones semánticas. Los embeddings de vectores permiten que los sistemas RAG encuentren de forma rápida y precisa la información más pertinente dentro de una vasta base de conocimiento, incluso cuando se trata de consultas complejas o matizadas. Cuando se combinan con un modelo de embedding, las bases de datos vectoriales pueden ayudar a superar las limitaciones de los LLM y proporcionar respuestas más precisas, pertinentes y completas.
Bases de datos vectoriales compatibles
Cuando creas un corpus de RAG, Vertex AI RAG Engine ofrece RagManagedDb listo para la empresa como la base de datos de vectores predeterminada, que no requiere aprovisionamiento ni administración adicionales.
RagManagedDb ofrece opciones de búsqueda de KNN y ANN, y permite cambiar a un nivel básico para realizar prototipos y experimentos rápidos.
Para obtener más información sobre cómo elegir una estrategia de recuperación en RagManagedDb o actualizar el nivel, consulta Usa RagManagedDb con RAG. Para que Vertex AI RAG Engine cree y administre automáticamente la base de datos de vectores por ti, consulta Crea un corpus de RAG.
Además de RagManagedDb predeterminado, Vertex AI RAG Engine te permite aprovisionar y usar tu base de datos de vectores dentro de tu corpus de RAG. En este caso, eres responsable del ciclo de vida y la escalabilidad de tu base de datos de vectores.
Compara las opciones de bases de datos vectoriales
En esta tabla, se enumeran las bases de datos de vectores que se admiten en el motor de RAG de Vertex AI y se proporcionan vínculos a páginas que explican cómo usar las bases de datos de vectores en tu corpus de RAG.
| Base de datos de vectores | Beneficios | Ideal para | Desventajas | Métricas de distancia admitidas | Tipo de búsqueda | Etapa de lanzamiento |
|---|---|---|---|---|---|---|
RagManagedDb (opción predeterminada) es un servicio de base de datos escalable distribuido regionalmente que ofrece una coherencia muy alta y alta disponibilidad, y se puede usar para una búsqueda de vectores.
fácil simple rápido |
|
|
|
cosine |
KNN (predeterminado) y ANN | Vista previa |
| La Búsqueda de vectores es el servicio de base de datos de vectores dentro de Vertex AI que está optimizado para las tareas de aprendizaje automático. |
|
|
|
cosinedot-product |
ANN | Disponible de manera general |
| Vertex AI Feature Store es un servicio administrado para organizar, almacenar y entregar atributos de aprendizaje automático. |
|
|
|
cosinedot-productL2 squared |
ANN | Vista previa |
| Weaviate es una base de datos de vectores de código abierto que es flexible y modular. |
|
|
|
cosinedot-productL2 squaredhammingmanhattan |
Compatibilidad con la búsqueda híbrida y la ANN | Vista previa |
| Pinecone es una base de datos de vectores nativa de la nube y completamente administrada, diseñada para una búsqueda de similitud de alto rendimiento. |
|
|
|
cosineeuclideandot-product |
ANN | Disponible de manera general |
¿Qué sigue?
- Para crear un corpus de RAG, consulta el ejemplo de creación de un corpus de RAG.
- Para enumerar todos los corpus de RAG, consulta el ejemplo de enumeración de corpus de RAG.