AlloyDB AI-Vektorsuche – Übersicht

AlloyDB AI integriert Vektorverarbeitung und Ähnlichkeitssuche direkt in AlloyDB for PostgreSQL, sodass Sie sowohl strukturierte relationale Daten als auch unstrukturierte Daten nach semantischer Bedeutung abfragen können. Durch die Kombination von Standard-SQL-Funktionen mit der ANN-Indexierung (Approximate Nearest Neighbor) unterstützt AlloyDB AI semantische Such- und RAG-Workflows (Retrieval-Augmented Generation), ohne dass Sie eine separate Vektordatenbank bereitstellen und verwalten müssen.

Grundlegende Architektur und Leistung

AlloyDB verwendet die pgvector-Erweiterung von PostgreSQL für Vektorfunktionen. Sie unterstützt den beliebten HNSW-Index sowie den ScaNN-Index (Scalable Nearest Neighbors), einen hochmodernen Vektorsuchalgorithmus, der auf jahrelanger Forschung für die Google Suche basiert. Diese tiefe Integration in die PostgreSQL-Umgebung ermöglicht schnelle, pgvector-kompatible Vorgänge und erweiterte semantische Abfragen.

ScaNN-Indexleistung

Der ScaNN-Index bietet erhebliche Geschwindigkeitsvorteile gegenüber dem Standard-HNSW-Index (Hierarchical Navigable Small Worlds) von PostgreSQL. Er ermöglicht schnelle Vektorvorgänge, die für anspruchsvolle KI-Arbeitslasten erforderlich sind:

Vorgang Leistungssteigerung (im Vergleich zum standardmäßigen PostgreSQL-HNSW-Index) Features
Index erstellen Bis zu 10-mal schneller Parallele Indexerstellung
Vektorsuchanfragen Bis zu 4-mal schneller Automatische Indexwartung
Gefilterte Vektorsuchanfragen Bis zu 10-mal schneller Beobachtbarkeit auf Unternehmensniveau

Adaptive Filterung und Abfrageoptimierung

Der ScaNN-Index ist eng in den PostgreSQL-Abfrageplaner eingebunden, um eine optimale Leistung für Hybridabfragen zu gewährleisten, die sowohl Vektorähnlichkeit als auch standardmäßige strukturierte Metadatenfilter umfassen:

  • Adaptive Filterung: sorgt für eine optimale Leistung, wenn Filter, Joins und Vektorindizes gleichzeitig verwendet werden. Dazu werden die Statistiken zur Abfrageausführung zur Laufzeit beobachtet, die Selektivität von Filtern gelernt und der Ausführungsplan adaptiv angepasst, um die effizienteste Reihenfolge für die Anwendung von Filtern und die Vektorsuche zu ermitteln.
  • Inline-Filterung: Die Inline-Filterung ist eine Optimierungsstrategie, die speziell für den ScaNN-Algorithmus gilt. Dabei werden die Vektorsuche und die Auswertung von Metadatenfiltern gleichzeitig ausgeführt. Dabei werden sekundäre PostgreSQL-Indexe (wie B-Bäume, GIN oder GiST) verwendet, um eine Liste (Bitmap) von Zeilen zu erstellen, die die Filterkriterien erfüllen. Beim anschließenden Vektorscan werden nur Distanzen für Vektoren berechnet, die in diesem vorgefilterten Satz enthalten sind. Dadurch wird der Rechenaufwand drastisch reduziert, insbesondere wenn die Filter mäßig selektiv sind.

Nahtlose Integration in die Gemini Enterprise Agent Platform

AlloyDB AI ist für die integrierte Einbindung in das Agent Platform-Ökosystem konzipiert und ermöglicht die Transformation und Anreicherung von Daten direkt in der Datenbank mithilfe von SQL.

Automatisierte Generierung von Einbettungen

Die Plattform unterstützt die automatisierte Generierung von Einbettungen mithilfe der Erweiterung google_ml_integration. Mit dieser Funktion können Betriebsdaten (Text, Bilder und Videos) mithilfe von Agent Platform-Modellen wie text-embedding-005 in Vektoreinbettungen umgewandelt werden:

  • Modellregistrierung: Agent Platform-Modelle (Einbettungs- und generative Modelle) werden mit der Prozedur google_ml.create_model in der Datenbank registriert.
  • Virtuelle Spalten: Einbettungen können automatisch generiert und in einer generierten Spalte mit der Funktion embedding() beibehalten werden. So bleiben die Vektordaten mit den Daten der Quellspalte synchronisiert:
ALTER TABLE my_table
ADD COLUMN embedding vector(768)
GENERATED ALWAYS AS (embedding('text-embedding-005', source_column)) STORED;

Abfragen und Anreicherung mit generativer KI

Mit gespeicherten Vektoreinbettungen können Entwickler komplexe semantische Suchen mit dem Vektorähnlichkeitsoperator (<=>) in Standard-SQL durchführen. Außerdem können die Ergebnisse dieser Suchanfragen direkt an generative KI-Modelle wie gemini-3.5-flash-lite übergeben werden. Dazu werden Funktionen wie ai.generate oder google_ml.predict_row für die RAG-basierte Abfrageanreicherung und die Generierung nutzerfreundlicher Ausgaben verwendet.