این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

شروع کار با Vector Embeddings با AlloyDB AI

۱. مقدمه

در این آزمایشگاه کد، نحوه استفاده از هوش مصنوعی AlloyDB را با ترکیب جستجوی برداری با تعبیه‌های هوش مصنوعی Vertex خواهید آموخت. این آزمایشگاه بخشی از یک مجموعه آزمایشگاهی است که به ویژگی‌های هوش مصنوعی AlloyDB اختصاص داده شده است. می‌توانید اطلاعات بیشتر را در صفحه هوش مصنوعی AlloyDB در مستندات مطالعه کنید.

پیش‌نیازها

درک اولیه از گوگل کلود، کنسول
مهارت‌های اولیه کار با رابط خط فرمان و Cloud Shell

آنچه یاد خواهید گرفت

نحوه استقرار کلاستر AlloyDB و نمونه اولیه آن
نحوه اتصال به AlloyDB از طریق ماشین مجازی Google Compute Engine
نحوه ایجاد پایگاه داده و فعال کردن AlloyDB AI
نحوه بارگذاری داده‌ها در پایگاه داده
نحوه استفاده از استودیوی AlloyDB
نحوه استفاده از مدل تعبیه پلتفرم Gemini Enterprise Agent در AlloyDB
نحوه استفاده از Gemini Enterprise Agent Platform Studio
چگونه با استفاده از مدل مولد پلتفرم Gemini Enterprise Agent، نتیجه را غنی کنیم؟
چگونه با استفاده از شاخص برداری، عملکرد را بهبود بخشیم؟

آنچه نیاز دارید

یک حساب کاربری گوگل کلود و پروژه گوگل کلود
یک مرورگر وب مانند کروم

۲. تنظیمات و الزامات

راه‌اندازی پروژه

وارد کنسول ابری گوگل شوید. اگر از قبل حساب جیمیل یا گوگل ورک‌اسپیس ندارید، باید یکی ایجاد کنید .

به جای حساب کاری یا تحصیلی از حساب شخصی استفاده کنید.

یک پروژه جدید ایجاد کنید یا از یک پروژه موجود دوباره استفاده کنید. برای ایجاد یک پروژه جدید در کنسول Google Cloud، در سربرگ، روی دکمه «انتخاب پروژه» کلیک کنید که یک پنجره بازشو باز می‌شود.

۲۹۵۰۰۴۸۲۱bab6a87.png

در پنجره انتخاب پروژه، دکمه «پروژه جدید» را فشار دهید که یک کادر محاوره‌ای برای پروژه جدید باز می‌کند.

در کادر محاوره‌ای، نام پروژه مورد نظر خود را وارد کرده و مکان را انتخاب کنید.

۹۶d86d3d5655cdbe.png

نام پروژه ، نام نمایشی برای شرکت‌کنندگان این پروژه است. نام پروژه توسط APIهای گوگل استفاده نمی‌شود و می‌توان آن را در هر زمانی تغییر داد.
شناسه پروژه در تمام پروژه‌های گوگل کلود منحصر به فرد و غیرقابل تغییر است (پس از تنظیم، دیگر قابل تغییر نیست). کنسول گوگل کلود به طور خودکار یک شناسه منحصر به فرد تولید می‌کند، اما می‌توانید آن را سفارشی کنید. اگر شناسه تولید شده را دوست ندارید، می‌توانید یک شناسه تصادفی دیگر ایجاد کنید یا شناسه خودتان را برای بررسی در دسترس بودن آن ارائه دهید. در اکثر آزمایشگاه‌های کد، باید شناسه پروژه خود را که معمولاً با عبارت PROJECT_ID مشخص می‌شود، ارجاع دهید.
برای اطلاع شما، یک مقدار سوم، شماره پروژه ، وجود دارد که برخی از APIها از آن استفاده می‌کنند. برای کسب اطلاعات بیشتر در مورد هر سه این مقادیر، به مستندات مراجعه کنید.

فعال کردن صورتحساب

یک حساب پرداخت شخصی تنظیم کنید

اگر صورتحساب را با استفاده از اعتبارهای Google Cloud تنظیم کرده‌اید، می‌توانید از این مرحله صرف نظر کنید.

برای تنظیم یک حساب پرداخت شخصی، به اینجا بروید تا پرداخت را در کنسول ابری فعال کنید .

برخی نکات:

تکمیل این آزمایشگاه باید کمتر از ۳ دلار آمریکا از طریق منابع ابری هزینه داشته باشد.
شما می‌توانید مراحل انتهای این آزمایش را برای حذف منابع دنبال کنید تا از هزینه‌های بیشتر جلوگیری شود.
کاربران جدید واجد شرایط استفاده از دوره آزمایشی رایگان ۳۰۰ دلاری هستند.

شروع پوسته ابری

اگرچه می‌توان از راه دور و از طریق لپ‌تاپ، گوگل کلود را مدیریت کرد، اما در این آزمایشگاه کد، از گوگل کلود شل ، یک محیط خط فرمان که در فضای ابری اجرا می‌شود، استفاده خواهید کرد.

از کنسول گوگل کلود ، روی آیکون Cloud Shell در نوار ابزار بالا سمت راست کلیک کنید:

فعال کردن پوسته ابری

همچنین می‌توانید دکمه‌های G و سپس S را فشار دهید. اگر در کنسول ابری گوگل باشید یا از این لینک استفاده کنید، این توالی، Cloud Shell را فعال می‌کند.

آماده‌سازی و اتصال به محیط فقط چند لحظه طول می‌کشد. وقتی تمام شد، باید چیزی شبیه به این را ببینید:

تصویر صفحه ترمینال Google Cloud Shell که نشان می‌دهد محیط متصل شده است

این ماشین مجازی با تمام ابزارهای توسعه‌ای که نیاز دارید، مجهز شده است. این ماشین مجازی یک دایرکتوری خانگی پایدار ۵ گیگابایتی ارائه می‌دهد و روی فضای ابری گوگل اجرا می‌شود که عملکرد شبکه و احراز هویت را تا حد زیادی بهبود می‌بخشد. تمام کارهای شما در این آزمایشگاه کد را می‌توان در یک مرورگر انجام داد. نیازی به نصب چیزی ندارید.

۳. قبل از شروع

فعال کردن API

خروجی:

برای استفاده از AlloyDB ، Compute Engine ، Networking services و Gemini Enterprise Agent Platform ، باید APIهای مربوط به آنها را در پروژه Google Cloud خود فعال کنید.

فعال کردن APIها

داخل Cloud Shell در ترمینال، مطمئن شوید که شناسه پروژه شما تنظیم شده است:

gcloud config set project [YOUR-PROJECT-ID]

متغیر محیطی PROJECT_ID را تنظیم کنید:

PROJECT_ID=$(gcloud config get-value project)

فعال کردن تمام API های لازم:

gcloud services enable alloydb.googleapis.com \
                       compute.googleapis.com \
                       cloudresourcemanager.googleapis.com \
                       servicenetworking.googleapis.com \
                       aiplatform.googleapis.com

خروجی مورد انتظار

student@cloudshell:~ (test-project-001-402417)$ gcloud config set project test-project-001-402417
Updated property [core/project].
student@cloudshell:~ (test-project-001-402417)$ PROJECT_ID=$(gcloud config get-value project)
Your active configuration is: [cloudshell-14650]
student@cloudshell:~ (test-project-001-402417)$ 
student@cloudshell:~ (test-project-001-402417)$ gcloud services enable alloydb.googleapis.com \
                       compute.googleapis.com \
                       cloudresourcemanager.googleapis.com \
                       servicenetworking.googleapis.com \
                       aiplatform.googleapis.com
Operation "operations/acat.p2-4470404856-1f44ebd8-894e-4356-bea7-b84165a57442" finished successfully.

می‌توانید درباره هر API فعال‌شده در مستندات مطالعه کنید.

۴. استقرار AlloyDB

قبل از ایجاد یک کلاستر AlloyDB، یک محدوده IP خصوصی موجود را در VPC خود اختصاص دهید تا توسط نمونه AlloyDB آینده مورد استفاده قرار گیرد. اگر آن را ندارید، باید آن را ایجاد کنید، آن را به سرویس‌های داخلی گوگل اختصاص دهید و پس از آن می‌توانید کلاستر و نمونه را ایجاد کنید.

ایجاد محدوده IP خصوصی

شما باید پیکربندی دسترسی به سرویس خصوصی (Private Service Access) را در VPC مربوط به AlloyDB پیکربندی کنید. فرض بر این است که شما شبکه VPC «پیش‌فرض» را در پروژه دارید و قرار است برای همه اقدامات از آن استفاده شود.

ایجاد محدوده IP خصوصی:

gcloud compute addresses create psa-range \
    --global \
    --purpose=VPC_PEERING \
    --prefix-length=24 \
    --description="VPC private service access" \
    --network=default

ایجاد اتصال خصوصی با استفاده از محدوده IP اختصاص داده شده:

gcloud services vpc-peerings connect \
    --service=servicenetworking.googleapis.com \
    --ranges=psa-range \
    --network=default

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-402417)$ gcloud compute addresses create psa-range \
    --global \
    --purpose=VPC_PEERING \
    --prefix-length=24 \
    --description="VPC private service access" \
    --network=default
Created [https://www.googleapis.com/compute/v1/projects/test-project-402417/global/addresses/psa-range].

student@cloudshell:~ (test-project-402417)$ gcloud services vpc-peerings connect \
    --service=servicenetworking.googleapis.com \
    --ranges=psa-range \
    --network=default
Operation "operations/pssn.p24-4470404856-595e209f-19b7-4669-8a71-cbd45de8ba66" finished successfully.

student@cloudshell:~ (test-project-402417)$

ایجاد کلاستر AlloyDB

یک کلاستر AlloyDB در ناحیه us-central1 ایجاد کنید

برای کاربر postgres رمز عبور تعریف کنید. می‌توانید رمز عبور خودتان را تعریف کنید یا از یک تابع تصادفی برای تولید آن استفاده کنید.

export PGPASSWORD=`openssl rand -hex 16`

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-402417)$ export PGPASSWORD=`openssl rand -hex 12`

رمز عبور PostgreSQL را برای استفاده‌های بعدی یادداشت کنید:

echo $PGPASSWORD

در آینده برای اتصال به نمونه به عنوان کاربر postgres به آن رمز عبور نیاز خواهید داشت. این رمز عبور را برای استفاده در مراحل بعدی ذخیره کنید.

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-402417)$ echo $PGPASSWORD
bbefbfde7601985b0dee5723 (Note: Yours will be different!)

یک خوشه آزمایشی رایگان ایجاد کنید

اگر قبلاً از AlloyDB استفاده نکرده‌اید، می‌توانید یک کلاستر آزمایشی رایگان ایجاد کنید:

متغیرهای محیطی را برای منطقه و نام خوشه تنظیم کنید:

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01

دستور زیر را برای ایجاد خوشه اجرا کنید:

gcloud alloydb clusters create $ADBCLUSTER \
    --password=$PGPASSWORD \
    --network=default \
    --region=$REGION \
    --subscription-type=TRIAL

خروجی مورد انتظار کنسول:

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01
gcloud alloydb clusters create $ADBCLUSTER \
    --password=$PGPASSWORD \
    --network=default \
    --region=$REGION \
    --subscription-type=TRIAL
Operation ID: operation-1697655441138-6080235852277-9e7f04f5-2012fce4
Creating cluster...done.

یک نمونه اصلی AlloyDB برای خوشه خود در همان جلسه پوسته ابری ایجاد کنید. اگر اتصال شما قطع شد، باید متغیرهای محیطی منطقه و نام خوشه را دوباره تعریف کنید.

gcloud alloydb instances create $ADBCLUSTER-pr \
    --instance-type=PRIMARY \
    --cpu-count=8 \
    --region=$REGION \
    --cluster=$ADBCLUSTER

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-402417)$ gcloud alloydb instances create $ADBCLUSTER-pr \
    --instance-type=PRIMARY \
    --cpu-count=8 \
    --region=$REGION \
    --availability-type ZONAL \
    --cluster=$ADBCLUSTER
Operation ID: operation-1697659203545-6080315c6e8ee-391805db-25852721
Creating instance...done.

ایجاد کلاستر استاندارد AlloyDB

اگر این اولین کلاستر AlloyDB شما در پروژه نیست، با ایجاد یک کلاستر استاندارد ادامه دهید. اگر قبلاً یک کلاستر آزمایشی رایگان ایجاد کرده‌اید، از این مرحله صرف نظر کنید.

متغیرهای محیطی را برای منطقه و نام خوشه تنظیم کنید:

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01

دستور زیر را برای ایجاد خوشه اجرا کنید:

gcloud alloydb clusters create $ADBCLUSTER \
    --password=$PGPASSWORD \
    --network=default \
    --region=$REGION

خروجی مورد انتظار کنسول:

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01
gcloud alloydb clusters create $ADBCLUSTER \
    --password=$PGPASSWORD \
    --network=default \
    --region=$REGION 
Operation ID: operation-1697655441138-6080235852277-9e7f04f5-2012fce4
Creating cluster...done.

gcloud alloydb instances create $ADBCLUSTER-pr \
    --instance-type=PRIMARY \
    --cpu-count=2 \
    --region=$REGION \
    --cluster=$ADBCLUSTER

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-402417)$ gcloud alloydb instances create $ADBCLUSTER-pr \
    --instance-type=PRIMARY \
    --cpu-count=2 \
    --region=$REGION \
    --availability-type ZONAL \
    --cluster=$ADBCLUSTER
Operation ID: operation-1697659203545-6080315c6e8ee-391805db-25852721
Creating instance...done.

۵. به AlloyDB متصل شوید

AlloyDB با استفاده از یک اتصال خصوصی مستقر می‌شود، بنابراین برای کار با پایگاه داده به یک ماشین مجازی Compute Engine با کلاینت PostgreSQL نصب شده نیاز دارید.

استقرار ماشین مجازی GCE

یک ماشین مجازی GCE در همان ناحیه و VPC به عنوان کلاستر AlloyDB ایجاد کنید.

در Cloud Shell اجرا کنید:

export ZONE=us-central1-a
gcloud compute instances create instance-1 \
    --zone=$ZONE \
    --create-disk=auto-delete=yes,boot=yes,image=projects/debian-cloud/global/images/$(gcloud compute images list --filter="family=debian-13 AND family!=debian-13-arm64" --format="value(name)") \
    --scopes=https://www.googleapis.com/auth/cloud-platform

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-402417)$ export ZONE=us-central1-a
gcloud compute instances create instance-1 \
    --zone=$ZONE \
    --create-disk=auto-delete=yes,boot=yes,image=projects/debian-cloud/global/images/$(gcloud compute images list --filter="family=debian-13 AND family!=debian-13-arm64" --format="value(name)") \
    --scopes=https://www.googleapis.com/auth/cloud-platform

Created [https://www.googleapis.com/compute/v1/projects/test-project-402417/zones/us-central1-a/instances/instance-1].
NAME: instance-1
ZONE: us-central1-a
MACHINE_TYPE: n1-standard-1
PREEMPTIBLE: 
INTERNAL_IP: 10.128.0.2
EXTERNAL_IP: 34.71.192.233
STATUS: RUNNING

نصب کلاینت Postgres

نرم‌افزار کلاینت PostgreSQL را روی ماشین مجازی مستقر شده نصب کنید.

اتصال به ماشین مجازی:

gcloud compute ssh instance-1 --zone=us-central1-a

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-402417)$ gcloud compute ssh instance-1 --zone=us-central1-a
Updating project ssh metadata...working..Updated [https://www.googleapis.com/compute/v1/projects/test-project-402417].                                                                                                                                                         
Updating project ssh metadata...done.                                                                                                                                                                                                                                              
Waiting for SSH key to propagate.
Warning: Permanently added 'compute.5110295539541121102' (ECDSA) to the list of known hosts.
Linux instance-1 6.12.101+deb13-cloud-amd64 #1 SMP PREEMPT_DYNAMIC Debian 6.12.101-1 (2026-08-05) x86_64

The programs included with the Debian GNU/Linux system are free software;
the exact distribution terms for each program are described in the
individual files in /usr/share/doc/*/copyright.

Debian GNU/Linux comes with ABSOLUTELY NO WARRANTY, to the extent
permitted by applicable law.
student@instance-1:~$

دستور اجرای نرم‌افزار را درون ماشین مجازی نصب کنید:

sudo apt-get update
sudo apt-get install --yes postgresql-client

خروجی مورد انتظار کنسول:

student@instance-1:~$ sudo apt-get update
sudo apt-get install --yes postgresql-client
Get:1 file:/etc/apt/mirrors/debian.list Mirrorlist [30 B]
Get:2 file:/etc/apt/mirrors/debian-security.list Mirrorlist [39 B]                      
Hit:3 https://deb.debian.org/debian trixie InRelease                                    
Get:4 https://deb.debian.org/debian trixie-updates InRelease [47.3 kB]
Get:5 https://deb.debian.org/debian trixie-backports InRelease [54.0 kB]
Get:6 https://deb.debian.org/debian-security trixie-security InRelease [43.4 kB]
Hit:10 https://packages.cloud.google.com/apt google-compute-engine-trixie-stable InRelease
...redacted...
update-alternatives: using /usr/share/postgresql/17/man/man1/psql.1.gz to provide /usr/share/man/man1/psql.1.gz (psql.1.gz) in auto mode
Setting up postgresql-client (17+278) ...
Processing triggers for man-db (2.13.1-1) ...
Processing triggers for libc-bin (2.41-12+deb13u3) ...

اتصال به نمونه

با استفاده از psql از ماشین مجازی به نمونه اصلی متصل شوید.

در همان تب Cloud Shell که جلسه SSH به ماشین مجازی instance-1 شما باز است.

از مقدار رمز عبور ذکر شده AlloyDB (PGPASSWORD) و شناسه خوشه AlloyDB برای اتصال به AlloyDB از ماشین مجازی GCE استفاده کنید:

export PGPASSWORD=<Noted password>

export PROJECT_ID=$(gcloud config get-value project)
export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01
export INSTANCE_IP=$(gcloud alloydb instances describe $ADBCLUSTER-pr --cluster=$ADBCLUSTER --region=$REGION --format="value(ipAddress)")
psql "host=$INSTANCE_IP user=postgres sslmode=require"

خروجی مورد انتظار کنسول:

student@instance-1:~$ export PGPASSWORD=CQhOi5OygD4ps6ty
student@instance-1:~$ export PROJECT_ID=$(gcloud config get-value project)
export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01
export INSTANCE_IP=$(gcloud alloydb instances describe $ADBCLUSTER-pr --cluster=$ADBCLUSTER --region=$REGION --format="value(ipAddress)")
psql "host=$INSTANCE_IP user=postgres sslmode=require"
psql (17.10 (Debian 17.10-0+deb13u1), server 17.9)
SSL connection (protocol: TLSv1.3, cipher: TLS_AES_256_GCM_SHA384, compression: off, ALPN: postgresql)
Type "help" for help.

postgres=>

جلسه psql را ببندید:

exit

۶. آماده‌سازی پایگاه داده

یک پایگاه داده ایجاد کنید، ادغام هوش مصنوعی پلتفرم عامل را فعال کنید، اشیاء پایگاه داده ایجاد کنید و داده‌ها را وارد کنید.

مجوزهای لازم را به AlloyDB اعطا کنید

مجوزهای Gemini Enterprise Agent Platform را به عامل سرویس AlloyDB اضافه کنید.

با استفاده از علامت "+" در بالا، یک تب Cloud Shell دیگر باز کنید.

در تب جدید cloud shell دستور زیر را اجرا کنید:

PROJECT_ID=$(gcloud config get-value project)
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:service-$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")@gcp-sa-alloydb.iam.gserviceaccount.com" \
  --role="roles/aiplatform.user"

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-001-402417)$ PROJECT_ID=$(gcloud config get-value project)
Your active configuration is: [cloudshell-11039]
student@cloudshell:~ (test-project-001-402417)$ gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:service-$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")@gcp-sa-alloydb.iam.gserviceaccount.com" \
  --role="roles/aiplatform.user"
Updated IAM policy for project [test-project-001-402417].
bindings:
- members:
  - serviceAccount:service-4470404856@gcp-sa-alloydb.iam.gserviceaccount.com
  role: roles/aiplatform.user
- members:
...
etag: BwYIEbe_Z3U=
version: 1

با اجرای هر یک از دستورهای "exit" در تب، تب را ببندید:

exit

ایجاد پایگاه داده

ایجاد پایگاه داده با شروع سریع

در جلسه GCE VM دستور زیر را اجرا کنید:

ایجاد پایگاه داده:

psql "host=$INSTANCE_IP user=postgres" -c "CREATE DATABASE quickstart_db"

خروجی مورد انتظار کنسول:

student@instance-1:~$ psql "host=$INSTANCE_IP user=postgres" -c "CREATE DATABASE quickstart_db"
CREATE DATABASE
student@instance-1:~$

ادغام هوش مصنوعی Vertex را فعال کنید

ادغام Vertex AI و افزونه‌های pgvector را در پایگاه داده فعال کنید.

در ماشین مجازی GCE دستور زیر را اجرا کنید:

psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db" -c "CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE"
psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db" -c "CREATE EXTENSION IF NOT EXISTS vector"

خروجی مورد انتظار کنسول:

student@instance-1:~$ psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db" -c "CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE"
psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db" -c "CREATE EXTENSION IF NOT EXISTS vector"
CREATE EXTENSION
CREATE EXTENSION
student@instance-1:~$

وارد کردن داده

داده‌های آماده‌شده را دانلود کرده و در پایگاه داده جدید وارد کنید.

در ماشین مجازی GCE دستور زیر را اجرا کنید:

gcloud storage cat gs://cloud-training/gcc/gcc-tech-004/cymbal_demo_schema.sql |psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db"
gcloud storage cat gs://cloud-training/gcc/gcc-tech-004/cymbal_products.csv |psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db" -c "\copy cymbal_products from stdin csv header"
gcloud storage cat gs://cloud-training/gcc/gcc-tech-004/cymbal_inventory.csv |psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db" -c "\copy cymbal_inventory from stdin csv header"
gcloud storage cat gs://cloud-training/gcc/gcc-tech-004/cymbal_stores.csv |psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db" -c "\copy cymbal_stores from stdin csv header"

خروجی مورد انتظار کنسول:

student@instance-1:~$ gsutil cat gs://cloud-training/gcc/gcc-tech-004/cymbal_demo_schema.sql |psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db"
SET
SET
SET
SET
SET
 set_config 
------------
 
(1 row)
SET
SET
SET
SET
SET
SET
CREATE TABLE
ALTER TABLE
CREATE TABLE
ALTER TABLE
CREATE TABLE
ALTER TABLE
CREATE TABLE
ALTER TABLE
CREATE SEQUENCE
ALTER TABLE
ALTER SEQUENCE
ALTER TABLE
ALTER TABLE
ALTER TABLE
student@instance-1:~$ gsutil cat gs://cloud-training/gcc/gcc-tech-004/cymbal_products.csv |psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db" -c "\copy cymbal_products from stdin csv header"
COPY 941
student@instance-1:~$ gsutil cat gs://cloud-training/gcc/gcc-tech-004/cymbal_inventory.csv |psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db" -c "\copy cymbal_inventory from stdin csv header"
COPY 263861
student@instance-1:~$ gsutil cat gs://cloud-training/gcc/gcc-tech-004/cymbal_stores.csv |psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db" -c "\copy cymbal_stores from stdin csv header"
COPY 4654
student@instance-1:~$

۷. محاسبه‌ی جایگذاری‌ها

پس از وارد کردن داده‌ها، داده‌های محصول را در جدول cymbal_products، موجودی که تعداد محصولات موجود در هر فروشگاه را در جدول cymbal_inventory نشان می‌دهد و لیست فروشگاه‌ها را در جدول cymbal_stores خواهید داشت. شما باید داده‌های برداری را بر اساس توضیحات محصولات محاسبه کنید و می‌توانید از توابعی مانند google_ml.embedding برای این کار استفاده کنید. اطلاعات بیشتر در مورد فناوری مورد استفاده را در مستندات بخوانید.

ایجاد جاسازی برای چند ردیف آسان است، اما اگر هزاران ردیف داشته باشیم، چگونه می‌توانیم آن را کارآمد کنیم؟ این بخش نحوه تولید و مدیریت جاسازی برای جداول بزرگ را توضیح می‌دهد. برای اطلاعات بیشتر در مورد گزینه‌ها و تکنیک‌های مختلف، به راهنما مراجعه کنید.

فعال کردن تولید سریع جاسازی

با استفاده از psql از ماشین مجازی خود و با استفاده از IP نمونه AlloyDB و رمز عبور postgres به پایگاه داده متصل شوید:

psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db"

نسخه افزونه google_ml_integration را تأیید کنید.

SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

نسخه باید ۱.۵.۲ یا بالاتر باشد. در اینجا نمونه‌ای از خروجی آمده است:

quickstart_db=> SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
 extversion 
------------
 1.6
(1 row)

نسخه پیش‌فرض باید ۱.۶ یا بالاتر باشد، اما اگر نمونه شما نسخه قدیمی‌تری را نشان می‌دهد، احتمالاً باید به‌روزرسانی شود. بررسی کنید که آیا قابلیت تعمیر و نگهداری برای نمونه غیرفعال شده است یا خیر.

تأیید کنید که پرچم پایگاه داده google_ml_integration.enable_faster_embedding_generation روی روشن تنظیم شده باشد. در همان جلسه psql، مقدار پرچم را بررسی کنید:

show google_ml_integration.enable_faster_embedding_generation;

اگر پرچم در موقعیت صحیح قرار داشته باشد، خروجی مورد انتظار به این شکل خواهد بود:

quickstart_db=> show google_ml_integration.enable_faster_embedding_generation;                          
 google_ml_integration.enable_faster_embedding_generation 
----------------------------------------------------------
 on
(1 row)

اگر مقدار پرچم " off " را نشان می‌دهد، باید نمونه را به‌روزرسانی کنید. این کار را با استفاده از کنسول وب یا دستور gcloud همانطور که در مستندات توضیح داده شده است، انجام دهید.

خروج از جلسه psql:

exit;

برای به‌روزرسانی پرچم با استفاده از gcloud، دستور زیر را اجرا کنید:

export PROJECT_ID=$(gcloud config get-value project)
export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01
gcloud beta alloydb instances update $ADBCLUSTER-pr \
   --database-flags google_ml_integration.enable_faster_embedding_generation=on \
   --region=$REGION \
   --cluster=$ADBCLUSTER \
   --project=$PROJECT_ID \
   --update-mode=FORCE_APPLY

ممکن است چند دقیقه طول بکشد، اما در نهایت مقدار پرچم باید به "روشن" تغییر کند. پس از آن می‌توانید مراحل بعدی را ادامه دهید.

ایجاد ستون جاسازی

با استفاده از psql به پایگاه داده متصل شوید و یک ستون مجازی با نوع داده برداری ایجاد کنید تا توسط تابع جاسازی در جدول cymbal_products استفاده شود.

psql "host=$INSTANCE_IP user=postgres dbname=quickstart_db"

در جلسه psql پس از اتصال به پایگاه داده، دستور زیر را اجرا کنید:

ALTER TABLE cymbal_products ADD COLUMN embedding vector(768);

این دستور یک ستون مجازی برای جاسازی‌های بعدی ایجاد می‌کند.

خروجی مورد انتظار کنسول:

quickstart_db=> ALTER TABLE cymbal_products ADD COLUMN embedding vector(768);
ALTER TABLE
quickstart_db=>

جاسازی‌ها را در دسته‌های ۵۰ سطری ایجاد کنید. در همان جلسه psql اجرا کنید:

فعال کردن زمان‌بندی برای اندازه‌گیری مدت زمان مورد نیاز:

\timing

دستور زیر را اجرا کنید:

CALL ai.initialize_embeddings(
    model_id => 'text-embedding-005',
    table_name => 'cymbal_products',
    content_column => 'product_description',
    embedding_column => 'embedding',
    batch_size => 50
);

و خروجی کنسول نشان می‌دهد که زمان تولید جاسازی کمتر از ۲ ثانیه است:

quickstart_db=> CALL ai.initialize_embeddings(
    model_id => 'text-embedding-005',
    table_name => 'cymbal_products',
    content_column => 'product_description',
    embedding_column => 'embedding',
    batch_size => 50
);
NOTICE:  Initialize embedding completed successfully for table cymbal_products
CALL
Time: 1458.704 ms (00:01.459)
quickstart_db=>

می‌توانید با اندازه‌های مختلف دسته آزمایش کنید و ببینید آیا زمان اجرا تغییر می‌کند یا خیر.

به طور پیش‌فرض، اگر ستون product_description مربوطه به‌روزرسانی شود یا یک ردیف کاملاً جدید درج شود، جاسازی‌ها به‌روزرسانی نمی‌شوند. اما می‌توانید با تنظیم پارامتر incremental_refresh_mode این کار را انجام دهید.

یک ستون به نام " product_embeddings " ایجاد کنید و آن را به صورت خودکار قابل به‌روزرسانی کنید:

ALTER TABLE cymbal_products ADD COLUMN product_embedding vector(768);
CALL ai.initialize_embeddings(
    model_id => 'text-embedding-005',
    table_name => 'cymbal_products',
    content_column => 'product_description',
    embedding_column => 'product_embedding',
    batch_size => 50,
    incremental_refresh_mode => 'transactional'
);

یک ردیف جدید به جدول اضافه کنید.

INSERT INTO "cymbal_products" ("uniq_id", "crawl_timestamp", "product_url", "product_name", "product_description", "list_price", "sale_price", "brand", "item_number", "gtin", "package_size", "category", "postal_code", "available", "product_embedding", "embedding") VALUES ('fd604542e04b470f9e6348e640cff794', NOW(), 'https://example.com/new_product', 'New Cymbal Product', 'This is a new cymbal product description.', 199.99, 149.99, 'Example Brand', 'EB123', '1234567890', 'Single', 'Cymbals', '12345', TRUE, NULL, NULL);

برای مقایسه دو ستون جاسازی شده، از جدول کوئری بگیرید:

SELECT uniq_id,embedding, (product_embedding::real[])[1:5] as product_embedding  FROM cymbal_products WHERE uniq_id='fd604542e04b470f9e6348e640cff794';

خروجی نشان می‌دهد که product_embedding به طور خودکار پر می‌شود در حالی که embedding خالی می‌ماند:

quickstart_db=> SELECT uniq_id,embedding, (product_embedding::real[])[1:5] as product_embedding  FROM cymbal_products WHERE uniq_id='fd604542e04b470f9e6348e640cff794';
             uniq_id              | embedding |                       product_embedding                       
----------------------------------+-----------+---------------------------------------------------------------
 fd604542e04b470f9e6348e640cff794 |           | {0.015003494,-0.005349732,-0.059790313,-0.0087091,-0.0271452}
(1 row)

Time: 3.295 ms

۸. جستجوی شباهت را اجرا کنید

با استفاده از AlloyDB AI، جستجوی شباهت را بر اساس جاسازی‌های برداری تولید شده اجرا کنید.

کوئری SQL را می‌توان از همان رابط خط فرمان psql یا به عنوان جایگزین، از AlloyDB Studio اجرا کرد. هر خروجی چند ردیفی و پیچیده در AlloyDB Studio بهتر کار می‌کند.

اتصال به استودیوی AlloyDB

برای باز کردن AlloyDB Studio، مراحل زیر را انجام دهید:

در کنسول Google Cloud، به صفحه Clusters برای AlloyDB for PostgreSQL بروید.
نمونه اصلی خود را انتخاب کنید تا رابط وب آن باز شود.

۱d7298e7096e7313.png ۳. سپس در سمت چپ روی AlloyDB Studio کلیک کنید:

پایگاه داده quickstart_db و کاربر postgres را انتخاب کنید، رمز عبور ذکر شده را وارد کنید و روی Authenticate کلیک کنید.

این اقدام رابط کاربری AlloyDB Studio را باز می‌کند.

برای باز کردن ویرایشگر SQL، تب Untitled Query را انتخاب کنید.

این یک ویرایشگر باز می‌کند که می‌توانید دستورات SQL را در آن اجرا کنید، همانطور که در تصویر زیر نشان داده شده است:

اگر ترجیح می‌دهید از خط فرمان psql استفاده کنید، مسیر جایگزین را دنبال کنید و از طریق جلسه SSH ماشین مجازی خود، همانطور که در فصل‌های قبلی توضیح داده شده است، به پایگاه داده متصل شوید.

جستجوی شباهت را اجرا کنید

یک پرس‌وجو اجرا کنید تا فهرستی از محصولات موجود که بیشترین ارتباط را با درخواست مشتری دارند، دریافت کنید. عبارت جستجو به مدل جاسازی در پلتفرم Gemini Enterprise Agent (همان مدلی که ما برای تولید جاسازی‌ها برای محصولات خود استفاده کردیم) ارسال شد تا مقدار برداری برای «چه نوع درختان میوه‌ای اینجا به خوبی رشد می‌کنند؟» دریافت شود.

کوئری را اجرا کنید:

SELECT
        cp.product_name,
        left(cp.product_description,80) as description,
        cp.sale_price,
        cs.zip_code,
        (cp.embedding <=> embedding('text-embedding-005','What kind of fruit trees grow well here?')::vector) as distance
FROM
        cymbal_products cp
JOIN cymbal_inventory ci on
        ci.uniq_id=cp.uniq_id
JOIN cymbal_stores cs on
        cs.store_id=ci.store_id
        AND ci.inventory>0
        AND cs.store_id = 1583
ORDER BY
        distance ASC
LIMIT 10;

و خروجی مورد انتظار این است:

quickstart_db=> SELECT
        cp.product_name,
        left(cp.product_description,80) as description,
        cp.sale_price,
        cs.zip_code,
        (cp.embedding <=> embedding('text-embedding-005','What kind of fruit trees grow well here?')::vector) as distance
FROM
        cymbal_products cp
JOIN cymbal_inventory ci on
        ci.uniq_id=cp.uniq_id
JOIN cymbal_stores cs on
        cs.store_id=ci.store_id
        AND ci.inventory>0
        AND cs.store_id = 1583
ORDER BY
        distance ASC
LIMIT 10;
      product_name       |                                   description                                    | sale_price | zip_code |      distance       
-------------------------+----------------------------------------------------------------------------------+------------+----------+---------------------
 Cherry Tree             | This is a beautiful cherry tree that will produce delicious cherries. It is an d |      75.00 |    93230 | 0.43922018972266397
 Meyer Lemon Tree        | Meyer Lemon trees are California's favorite lemon tree! Grow your own lemons by  |         34 |    93230 |  0.4685112926118228
 Toyon                   | This is a beautiful toyon tree that can grow to be over 20 feet tall. It is an e |      10.00 |    93230 |  0.4835677149651668
 California Lilac        | This is a beautiful lilac tree that can grow to be over 10 feet tall. It is an d |       5.00 |    93230 |  0.4947204525907498
 California Peppertree   | This is a beautiful peppertree that can grow to be over 30 feet tall. It is an e |      25.00 |    93230 |  0.5054166905547247
 California Black Walnut | This is a beautiful walnut tree that can grow to be over 80 feet tall. It is a d |     100.00 |    93230 |  0.5084219510932597
 California Sycamore     | This is a beautiful sycamore tree that can grow to be over 100 feet tall. It is  |     300.00 |    93230 |  0.5140519790508755
 Coast Live Oak          | This is a beautiful oak tree that can grow to be over 100 feet tall. It is an ev |     500.00 |    93230 |  0.5143126438081371
 Fremont Cottonwood      | This is a beautiful cottonwood tree that can grow to be over 100 feet tall. It i |     200.00 |    93230 |  0.5174774727252058
 Madrone                 | This is a beautiful madrona tree that can grow to be over 80 feet tall. It is an |      50.00 |    93230 |  0.5227400803389093

شما 10 محصول با توضیحاتی که از نظر معنایی به عبارت جستجو نزدیک هستند، دریافت می‌کنید که بر اساس فاصله مرتب شده‌اند و محصول مشابه در بالا قرار می‌گیرد.

۹. بهبود واکنش

شما می‌توانید با استفاده از نتیجه‌ی پرس‌وجو، پاسخ به یک برنامه‌ی کلاینت را بهبود بخشید و با استفاده از نتایج پرس‌وجوی ارائه شده، به عنوان بخشی از دستورالعمل برای یک مدل زبان مولد پایه، یک خروجی معنادار تهیه کنید.

برای دستیابی به این هدف، شما یک JSON با نتایج برتر از جستجوی برداری تولید می‌کنید، سپس از آن JSON تولید شده به عنوان یک اعلان به یک مدل Gen AI در Agent Platform برای ایجاد یک خروجی معنادار استفاده می‌کنید. مرحله اول JSON تولید می‌کند، سپس در Agent Platform Studio آزمایش می‌شود و مرحله آخر همه را در یک عبارت SQL قرار می‌دهد که می‌تواند در یک برنامه استفاده شود.

تولید خروجی با فرمت JSON

کوئری را طوری تغییر دهید که خروجی را با فرمت JSON تولید کند و فقط یک ردیف برای ارسال به Agent Platform برگرداند.

کوئری را اجرا کنید:

WITH trees as (
SELECT
        cp.product_name,
        left(cp.product_description,80) as description,
        cp.sale_price,
        cs.zip_code,
        cp.uniq_id as product_id
FROM
        cymbal_products cp
JOIN cymbal_inventory ci on
        ci.uniq_id=cp.uniq_id
JOIN cymbal_stores cs on
        cs.store_id=ci.store_id
        AND ci.inventory>0
        AND cs.store_id = 1583
ORDER BY
        (cp.embedding <=> embedding('text-embedding-005','What kind of fruit trees grow well here?')::vector) ASC
LIMIT 1)
SELECT json_agg(trees) FROM trees;

JSON در خروجی:

[{"product_name":"Cherry Tree","description":"This is a beautiful cherry tree that will produce delicious cherries. It is an d","sale_price":75.00,"zip_code":93230,"product_id":"d536e9e823296a2eba198e52dd23e712"}]

اجرای اعلان در Vertex AI Studio

از JSON تولید شده برای ارائه آن به عنوان بخشی از اعلان به مدل هوش مصنوعی مولد در Vertex AI Studio استفاده کنید.

استودیوی پلتفرم Gemini Enterprise Agent را در کنسول Google Cloud باز کنید.

۱۵۴dc1a290c37f.jpeg

اعلان خود را در رابط بنویسید:

دستور زیر را قرار دهید:

You are a friendly advisor helping to find a product based on the customer's needs.

Based on the client request we have loaded a list of products closely related to search.

The list in JSON format with list of values like {"product_name":"name","description":"some description","sale_price":10,"zip_code": 10234, "produt_id": "02056727942aeb714dc9a2313654e1b0"}

Here is the list of products:

{"product_name":"Cherry Tree","description":"This is a beautiful cherry tree that will produce delicious cherries. It is an d","sale_price":75.00,"zip_code":93230,"product_id":"d536e9e823296a2eba198e52dd23e712"}

The customer asked "What tree is growing the best here?"

You should give information about the product, price and some supplemental information

و این نتیجه‌ای است که هنگام اجرای اعلان نمایش داده می‌شود:

۸۳۱۰۳۸ea1d819be6.jpeg

پاسخ شامل قیمت، توضیحات و اطلاعات تکمیلی است که مدل از منابع خارجی بر اساس اطلاعات مربوط به درخت و مکان دریافت می‌کند.

اجرای اعلان در PSQL

نتیجه مشابهی را می‌توان با اجرای «استفاده از ادغام هوش مصنوعی AlloyDB با پلتفرم عامل سازمانی Gemini» برای دریافت پاسخ مشابه از یک مدل مولد با استفاده مستقیم از SQL در پایگاه داده، به دست آورد. قبل از اینکه بتوانید از مدل gemini-3.6-flash استفاده کنید، باید آن را ثبت کنید.

مدل gemini-3.6-flash را رجیستر کنید:

در اجرای AlloyDB Studio:

CALL google_ml.create_model(
model_id => 'gemini-3.6-flash',
model_request_url => 'https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.6-flash:generateContent',
model_provider => 'google',
model_type => 'llm'
);

شما همیشه می‌توانید با انتخاب اطلاعات از google_ml.model_info_view، لیست مدل‌های ثبت‌شده را تأیید کنید.

SELECT model_id,model_type FROM google_ml.model_info_view WHERE model_id ILIKE '%flash%';

در اینجا خروجی نمونه آمده است

quickstart_db=> SELECT model_id,model_type FROM google_ml.model_info_view WHERE model_id ILIKE '%flash%';
       model_id        | model_type 
-----------------------+------------
 gemini-3.6-flash      | llm
 gemini-2.0-flash      | llm
 gemini-2.5-flash      | llm
 gemini-2.0-flash-lite | llm
 gemini-2.5-flash-lite | llm
(5 rows)

اکنون می‌توانید از JSON تولید شده در یک subquery به عنوان بخشی از prompt برای مدل gemini-3.6-flash با استفاده از SQL استفاده کنید.

در جلسه psql یا AlloyDB Studio خود، کوئری زیر را اجرا کنید:

WITH trees AS (
SELECT
        cp.product_name,
        cp.product_description AS description,
        cp.sale_price,
        cs.zip_code,
        cp.uniq_id AS product_id
FROM
        cymbal_products cp
JOIN cymbal_inventory ci ON
        ci.uniq_id = cp.uniq_id
JOIN cymbal_stores cs ON
        cs.store_id = ci.store_id
        AND ci.inventory>0
        AND cs.store_id = 1583
ORDER BY
        (cp.embedding <=> embedding('text-embedding-005',
        'What kind of fruit trees grow well here?')::vector) ASC
LIMIT 1),
prompt AS (
SELECT
        'You are a friendly advisor helping to find a product based on the customer''s needs.
Based on the client request we have loaded a list of products closely related to search.
The list in JSON format with list of values like {"product_name":"name","product_description":"some description","sale_price":10}
Here is the list of products:' || json_agg(trees) || 'The customer asked "What kind of fruit trees grow well here?"
You should give information about the product, price and some supplemental information' AS prompt_text
FROM
        trees),
response AS (
SELECT
        google_ml.predict_row( model_id =>'gemini-3.6-flash',
        request_body => json_build_object('contents',
        json_build_object('role',
        'user',
        'parts',
        json_build_object('text',
        prompt_text))))->'candidates'->0->'content'->'parts'->0->'text' AS resp
FROM
        prompt)
SELECT
REPLACE(resp::text, '\n', CHR(10))
FROM
        response;

و خروجی مورد انتظار به این صورت است. خروجی ممکن است به دلیل ماهیت غیرقطعی مدل‌های هوش مصنوعی مولد متفاوت باشد:

"Hello there! I'd be delighted to help you pick out a wonderful fruit tree for your space. Based on our local selection, a fantastic option that grows very well is the **Cherry Tree**! Here are the details on this beautiful tree: * **Product:** Cherry Tree * **Price:** $75.00 ### Why it's a great choice: * **Delicious Harvest:** It produces tasty, fresh cherries right in your backyard. * **Size & Benefits:** It's a deciduous tree that grows to about 15 feet tall, making it ideal for providing both lovely shade and a bit of privacy. * **Year-Round Beauty:** It features lush, dark green leaves throughout the summer that transform into a stunning red in the autumn. * **Growing Requirements:** Cherry trees thrive best in cool, moist climates with sandy soil, and are perfectly suited for USDA hardiness zones 4 through 9. Please let me know if you have any questions about planting or if you'd like help adding this to your order!"

۱۰. ایجاد اندیس برداری

از آنجا که این مجموعه داده کوچک است، زمان پاسخگویی در درجه اول به تعامل با مدل‌ها در پلتفرم Gemini Enterprise Agent بستگی دارد. با این حال، هنگامی که میلیون‌ها بردار را جستجو می‌کنید، جستجوی بردار می‌تواند بخش قابل توجهی از زمان پاسخگویی را مصرف کند و بار روی پایگاه داده شما را افزایش دهد. برای بهبود عملکرد جستجو، می‌توانید یک شاخص برداری ایجاد کنید.

ایجاد شاخص ScanNN

برای ساخت یک شاخص ScaNN، باید یک افزونه اضافی را فعال کنید. افزونه alloydb_scann رابطی برای کار با شاخص‌های برداری تقریب نزدیکترین همسایه (ANN) با استفاده از الگوریتم Google ScaNN فراهم می‌کند.

اجرا در استودیوی AlloyDB:

CREATE EXTENSION IF NOT EXISTS alloydb_scann;

این شاخص می‌تواند در حالت دستی یا خودکار ایجاد شود. حالت دستی به طور پیش‌فرض فعال است و می‌توانید یک شاخص ایجاد کنید و آن را مانند هر شاخص دیگری نگهداری کنید. اما اگر حالت خودکار را فعال کنید، می‌توانید شاخصی ایجاد کنید که نیازی به هیچ گونه نگهداری از طرف شما نداشته باشد. می‌توانید جزئیات مربوط به همه گزینه‌ها را در مستندات مطالعه کنید. ما ردیف‌های کافی برای ایجاد شاخص در حالت خودکار نداریم - بنابراین آن را به صورت دستی ایجاد خواهید کرد.

در استودیوی AlloyDB اجرا کنید:

CREATE INDEX cymbal_products_embeddings_scann ON cymbal_products
  USING scann (embedding cosine)
  WITH (num_leaves=10, max_num_levels = 1);

می‌توانید در مورد تنظیم پارامترهای شاخص در مستندات مطالعه کنید.

خروجی مورد انتظار:

quickstart_db=> CREATE INDEX cymbal_products_embeddings_scann ON cymbal_products
  USING scann (embedding cosine)
  WITH (num_leaves=10, max_num_levels = 1);
CREATE INDEX
quickstart_db=>

مقایسه پاسخ

پرس‌وجویی که برای بدست آوردن بالاترین مقدار در جستجوی معنایی استفاده کردیم را تکرار کنید:

WITH trees as (
SELECT
        cp.product_name,
        left(cp.product_description,80) as description,
        cp.sale_price,
        cs.zip_code,
        cp.uniq_id as product_id
FROM
        cymbal_products cp
JOIN cymbal_inventory ci on
        ci.uniq_id=cp.uniq_id
JOIN cymbal_stores cs on
        cs.store_id=ci.store_id
        AND ci.inventory>0
        AND cs.store_id = 1583
ORDER BY
        (cp.embedding <=> embedding('text-embedding-005','What kind of fruit trees grow well here?')::vector) ASC
LIMIT 1)
SELECT json_agg(trees) FROM trees;

خروجی مورد انتظار:

[{"product_name":"Cherry Tree","description":"This is a beautiful cherry tree that will produce delicious cherries. It is an d","sale_price":75.00,"zip_code":93230,"product_id":"d536e9e823296a2eba198e52dd23e712"}]

همان "درخت گیلاس" در خروجی.

تأیید استفاده از ایندکس:

EXPLAIN (analyze) 
WITH trees as (
SELECT
        cp.product_name,
        left(cp.product_description,80) as description,
        cp.sale_price,
        cs.zip_code,
        cp.uniq_id as product_id
FROM
        cymbal_products cp
JOIN cymbal_inventory ci on
        ci.uniq_id=cp.uniq_id
JOIN cymbal_stores cs on
        cs.store_id=ci.store_id
        AND ci.inventory>0
        AND cs.store_id = 1583
ORDER BY
        (cp.embedding <=> embedding('text-embedding-005','What kind of fruit trees grow well here?')::vector) ASC
LIMIT 1)
SELECT json_agg(trees) FROM trees;

خروجی مورد انتظار (برای وضوح بیشتر، حذف شده است):

...
 Aggregate  (cost=27.24..27.25 rows=1 width=32) (actual time=0.964..0.965 rows=1 loops=1)
   ->  Subquery Scan on trees  (cost=18.91..27.23 rows=1 width=142) (actual time=0.953..0.954 rows=1 loops=1)
         ->  Limit  (cost=18.91..27.22 rows=1 width=158) (actual time=0.948..0.949 rows=1 loops=1)
               ->  Nested Loop  (cost=18.91..7126.86 rows=855 width=158) (actual time=0.948..0.948 rows=1 loops=1)
                     ->  Nested Loop  (cost=18.63..7103.59 rows=855 width=907) (actual time=0.931..0.931 rows=1 loops=1)
                           ->  Index Scan using cymbal_products_embeddings_scann on cymbal_products cp  (cost=18.21..343.15 rows=942 width=903) (actual time=0.906..0.908 rows=2 loops=1)
                                 Order By: (embedding <=> '[-0.106554024,0.035774965,-0.027267234,-0.045653425,-0.03286045,0.02124319...

از خروجی می‌توانید ببینید که کوئری از «اسکن شاخص با استفاده از cymbal_products_embeddings_scann روی cymbal_products» استفاده کرده است.

این پرس‌وجو همان درخت گیلاسی را برمی‌گرداند که قبل از ساخت شاخص، در بالای نتایج جستجوی شما ظاهر می‌شد. از آنجا که شاخص‌های نزدیکترین همسایه تقریبی (ANN) دقت مطلق را فدای سرعت جستجو می‌کنند، پرس‌وجوهای مبتنی بر شاخص ممکن است گاهی اوقات نتایج برتر کمی متفاوت از یک جستجوی دقیق بدون شاخص ارائه دهند. با این حال، شاخص برداری ضمن حفظ دقت بالا، افزایش عملکرد قابل توجهی را فراهم می‌کند.

برای بررسی بیشتر، می‌توانید انواع دیگر اندیس برداری را امتحان کنید، یا آزمایش‌ها و مثال‌های بیشتری با ادغام LangChain را در صفحه مستندات بیابید.

۱۱. محیط را تمیز کنید

وقتی کار آزمایشگاهی‌تان تمام شد، نمونه‌ها و کلاستر AlloyDB را از بین ببرید.

کلاستر AlloyDB و تمام نمونه‌های آن را حذف کنید.

خوشه با استفاده از گزینه‌ی force از بین می‌رود که تمام نمونه‌های متعلق به خوشه را نیز حذف می‌کند.

اگر ترمینال شما قطع شد، دوباره متصل شوید و متغیرهای پروژه و محیط را در Cloud Shell تعریف کنید:

gcloud config set project <YOUR_PROJECT_ID>

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01
export PROJECT_ID=$(gcloud config get-value project)

حذف خوشه:

gcloud alloydb clusters delete $ADBCLUSTER --region=$REGION --force

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-001-402417)$ gcloud alloydb clusters delete $ADBCLUSTER --region=$REGION --force
All of the cluster data will be lost when the cluster is deleted.

Do you want to continue (Y/n)?  Y

Operation ID: operation-1697820178429-6082890a0b570-4a72f7e4-4c5df36f
Deleting cluster...done.

حذف پشتیبان‌های AlloyDB

تمام پشتیبان‌های AlloyDB را برای کلاستر حذف کنید:

for i in $(gcloud alloydb backups list \
  --filter="CLUSTER_NAME: projects/$PROJECT_ID/locations/$REGION/clusters/$ADBCLUSTER" \
  --format="value(name)" \
  --sort-by=~createTime) ; do \
  gcloud alloydb backups delete $(basename $i) --region $REGION --quiet; done

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-001-402417)$ for i in $(gcloud alloydb backups list --filter="CLUSTER_NAME: projects/$PROJECT_ID/locations/$REGION/clusters/$ADBCLUSTER" --format="value(name)" --sort-by=~createTime) ; do gcloud alloydb backups delete $(basename $i) --region $REGION --quiet; done
Operation ID: operation-1697826266108-60829fb7b5258-7f99dc0b-99f3c35f
Deleting backup...done.

حالا می‌توانیم ماشین مجازی خود را نابود کنیم

حذف ماشین مجازی GCE

در Cloud Shell اجرا کنید:

export GCEVM=instance-1
export ZONE=us-central1-a
gcloud compute instances delete $GCEVM \
    --zone=$ZONE \
    --quiet

خروجی مورد انتظار کنسول:

student@cloudshell:~ (test-project-001-402417)$ export GCEVM=instance-1
export ZONE=us-central1-a
gcloud compute instances delete $GCEVM \
    --zone=$ZONE \
    --quiet
Deleted

۱۲. تبریک

تبریک می‌گویم که آزمایشگاه کد را تمام کردی.

این آزمایشگاه بخشی از پروژه «هوش مصنوعی آماده تولید با مسیر یادگیری ابری گوگل» است.

برای پر کردن شکاف بین نمونه اولیه و تولید، برنامه درسی کامل را بررسی کنید .
پیشرفت خود را با هشتگ #ProductionReadyAI به اشتراک بگذارید.

آنچه ما پوشش داده‌ایم

نحوه استقرار کلاستر AlloyDB و نمونه اولیه آن
نحوه اتصال به AlloyDB از طریق ماشین مجازی Google Compute Engine
نحوه ایجاد پایگاه داده و فعال کردن AlloyDB AI
نحوه بارگذاری داده‌ها در پایگاه داده
نحوه استفاده از استودیوی AlloyDB
نحوه استفاده از مدل تعبیه پلتفرم Gemini Enterprise Agent در AlloyDB
نحوه استفاده از Gemini Enterprise Agent Platform Studio
چگونه با استفاده از مدل مولد پلتفرم Gemini Enterprise Agent، نتیجه را غنی کنیم؟
چگونه با استفاده از شاخص برداری، عملکرد را بهبود بخشیم؟

۱۳. نظرسنجی

خروجی:

چگونه از این آموزش استفاده خواهید کرد؟

فقط آن را بخوانید

آن را بخوانید و تمرین‌ها را انجام دهید

شروع کار با Vector Embeddings با AlloyDB AI با مجموعه‌ها، منظم بمانید ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.

۱. مقدمه

پیش‌نیازها

آنچه یاد خواهید گرفت

آنچه نیاز دارید

۲. تنظیمات و الزامات

راه‌اندازی پروژه

فعال کردن صورتحساب

یک حساب پرداخت شخصی تنظیم کنید

شروع پوسته ابری

۳. قبل از شروع

فعال کردن API

فعال کردن APIها

۴. استقرار AlloyDB

ایجاد محدوده IP خصوصی

ایجاد کلاستر AlloyDB

یک خوشه آزمایشی رایگان ایجاد کنید

ایجاد کلاستر استاندارد AlloyDB

۵. به AlloyDB متصل شوید

استقرار ماشین مجازی GCE

نصب کلاینت Postgres

اتصال به نمونه

۶. آماده‌سازی پایگاه داده

مجوزهای لازم را به AlloyDB اعطا کنید

ایجاد پایگاه داده

ادغام هوش مصنوعی Vertex را فعال کنید

وارد کردن داده

۷. محاسبه‌ی جایگذاری‌ها

ایجاد ستون جاسازی

۸. جستجوی شباهت را اجرا کنید

اتصال به استودیوی AlloyDB

جستجوی شباهت را اجرا کنید

۹. بهبود واکنش

تولید خروجی با فرمت JSON

اجرای اعلان در Vertex AI Studio

اجرای اعلان در PSQL

۱۰. ایجاد اندیس برداری

ایجاد شاخص ScanNN

مقایسه پاسخ

۱۱. محیط را تمیز کنید

کلاستر AlloyDB و تمام نمونه‌های آن را حذف کنید.

حذف پشتیبان‌های AlloyDB

حذف ماشین مجازی GCE

۱۲. تبریک

آنچه ما پوشش داده‌ایم

۱۳. نظرسنجی

چگونه از این آموزش استفاده خواهید کرد؟

شروع کار با Vector Embeddings با AlloyDB AI