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 (tienda de vectores) a tu corpus de RAG.
Las bases de datos vectoriales desempeñan un papel fundamental en la recuperación de aplicaciones de RAG. Las bases de datos vectoriales ofrecen una forma especializada de almacenar y consultar incorporaciones vectoriales, que son representaciones matemáticas de texto o de otros datos que capturan el significado y las relaciones semánticas. Las incorporaciones de vectores permiten que los sistemas de RAG encuentren con rapidez y precisión la información más relevante dentro de una amplia base de conocimiento, incluso cuando se trata de consultas complejas o con matices. Cuando se combinan con un modelo de incorporación, las bases de datos vectoriales pueden ayudar a superar las limitaciones de los LLM y proporcionar respuestas más precisas, relevantes y completas.
Bases de datos vectoriales compatibles
Cuando creas un corpus de RAG, el motor de RAG de Vertex AI ofrece el RagManagedDb
listo para empresas 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 prototipado y experimentación rápidos.
Para obtener más información sobre cómo elegir una estrategia de recuperación en RagManagedDb
o para actualizar el nivel, consulta Cómo usar RagManagedDb
con RAG. Para que Vertex AI RAG Engine cree y administre automáticamente la base de datos de vectores, consulta Cómo crear un corpus de RAG.
Además del RagManagedDb
predeterminado, el motor de RAG de Vertex AI 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 de vectores
En esta tabla, se enumeran las opciones de 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 | Usos recomendados | Desventajas | Métricas de distancia admitidas | Tipo de búsqueda | Etapa de lanzamiento |
---|---|---|---|---|---|---|
RagManagedDb (predeterminado) es un servicio de base de datos escalable distribuido regionalmente que ofrece una coherencia y una alta disponibilidad muy altas, y se puede usar para una búsqueda vectorial.
fácil, simple, rápido |
|
|
|
cosine |
KNN (predeterminado) y ANN | Vista previa |
Vector Search es el servicio de base de datos de vectores de Vertex AI que está optimizado para tareas de aprendizaje automático. |
|
|
|
cosine dot-product |
ANN | Disponible de manera general |
Vertex AI Feature Store es un servicio administrado para organizar, almacenar y entregar atributos de aprendizaje automático. |
|
|
|
cosine dot-product L2 squared |
ANN | Vista previa |
Weaviate es una base de datos de vectores de código abierto que es flexible y modular. |
|
|
|
cosine dot-product L2 squared hamming manhattan |
Compatibilidad con ANN y búsqueda híbrida | Vista previa |
Pinecone es una base de datos de vectores nativa de la nube completamente administrada diseñada para una búsqueda de similitud de alto rendimiento. |
|
|
|
cosine euclidean dot-product |
ANN | Disponible de manera general |
¿Qué sigue?
- Para crear un corpus de RAG, consulta Crea un ejemplo de corpus de RAG.
- Para obtener una lista de todos los corpus de RAG, consulta el ejemplo de cómo enumerar corpus de RAG.