Google Generative AI Embeddings
Google Generative AI Embeddings convierte textos en una huella numérica de su significado usando los modelos de Google Gemini. Con esa huella, NappAI puede encontrar los documentos que dicen algo parecido a lo que buscas aunque usen otras palabras, por ejemplo en una base de conocimiento.
El componente se conecta a una base de datos vectorial, que lo usa tanto para guardar tus documentos como para buscar en ellos. Úsalo si tu empresa trabaja con Google Gemini.
Cuándo usarlo
- Dar a un agente el conocimiento de tus manuales, contratos o preguntas frecuentes, guardándolos en una base de datos vectorial.
- Montar un buscador interno que encuentre documentos por su significado y no solo por palabras exactas.
- Ya usas Google Gemini como modelo de IA y quieres usar la misma cuenta.
Configuración
| Campo | Qué hace |
|---|---|
| Credential (obligatorio) | La credencial del servicio Google Gemini. Elige una con Seleccionar una credencial o crea una con Crear nueva credencial. Consulta Credenciales. |
| Model Name | El nombre del modelo de Gemini que calcula las huellas. Por defecto: models/gemini-embedding-001. |
Resultado
- Embeddings: el modelo que calcula las huellas, listo para usar. Conéctalo a la entrada Embedding de una base de datos vectorial: Astra DB, Cassandra, Chroma DB, Couchbase, Elasticsearch, FAISS, Milvus, MongoDB Vector Store, PGVector, Pinecone, Qdrant, Redis, Supabase Vector Store, Upstash, Vectara, Weaviate Cloud (v4). También lo aceptan otros componentes con una entrada de este tipo, como Semantic Text Splitter o Text Embedder.
Ejemplo
Una academia de idiomas, Academia Lingua, quiere que su asistente responda con su reglamento interno y sus fichas de cursos.
- En un flujo de carga, divide los documentos en fragmentos con Recursive Character Text Splitter y pásalos a Chroma DB con Operation en
Add. - Añade Google Generative AI Embeddings y conecta su salida Embeddings a la entrada Embedding de Chroma DB.
- En el flujo del asistente, usa la misma colección de Chroma DB con el mismo componente Google Generative AI Embeddings para buscar los fragmentos que responden a cada pregunta.