Google发布AlloyDB与Cloud SQL数据层AI实验指南
Google AI开发者博客作者Gleb Otochkin介绍了一组实验，演示如何在AlloyDB和Cloud SQL中生成文本与图像嵌入、用AI函数做即时语义查询，并用QueryData以对话方式生成SQL。
AI解读：Google AI开发者博客刊出Gleb Otochkin的文章，介绍如何在Google数据库中为生成式AI准备和使用数据。文章定位为实验（labs）指引，属于Google Cloud“Production-Ready AI”项目下“From Data Foundations to Advanced RAG”模块的一部分。
文章称AI集成不限于AlloyDB，所有Google Cloud数据库都具备AI集成能力，可生成和使用嵌入做语义搜索；Cloud SQL for PostgreSQL和MySQL用户可在现有实例内直接生成和使用嵌入。
多模态部分使用AlloyDB中的商品目录和Google Cloud Storage中的图片，演示文本描述与图片互相补充或替代的语义搜索及混合搜索。AlloyDB的AI.IF函数可对列数据做即席语义搜索、情感评估或自然语言条件比较，并可对搜索结果应用排序函数。
QueryData for AlloyDB让用户用对话语言与数据库交互并构建数据代理，通过context sets补充schema描述、模板、facet和取值搜索选项，作者称这可使生成的SQL可预测、可投入生产。
文章未给出准确率、性能或成本等效果数据，也未说明各功能的正式可用状态与适用范围；作者建议关注AlloyDB和Cloud SQL的release notes，称工程团队仍在开发新功能。
Google AI开发者博客发布由Gleb Otochkin撰写的文章，介绍一组实验（labs），演示如何在Google AlloyDB、Cloud SQL for PostgreSQL和Cloud SQL for MySQL中准备数据并为生成式AI应用提供支撑。
一组实验覆盖AlloyDB与Cloud SQL的文本语义搜索
文章列出的实验从为语义搜索准备数据开始，先用语义搜索结果grounding生成式模型的回复，作者称这些grounding数据是RAG（检索增强生成）的基础；随后可用索引技术提升嵌入搜索性能。
以AlloyDB为例的实验步骤包括创建AlloyDB集群、载入样本数据、生成嵌入，再用嵌入生成模型的增强回复。另有实验在Cloud SQL for PostgreSQL和Cloud SQL for MySQL中完成类似流程，作者称步骤因SQL语言和数据库引擎不同而有差异，但思路一致。
- 作者称AlloyDB与AI模型直接集成，支持高要求工作负载；AI集成不限于AlloyDB。
多模态嵌入与AlloyDB AI函数
多模态实验中，商品目录放在AlloyDB，图片放在Google Cloud Storage，演示文本描述与图片互相补充或替代的语义搜索，以及混合搜索方式。
AlloyDB还提供无需数据准备的AI集成。作者举例AI.IF函数可即时做语义搜索，评估情感或用自然语言条件比较列数据，并返回按条件过滤的结果；搜索结果还可再应用排序函数。
- 对应实验目标包括部署AlloyDB集群、导入数据、使用文本与图像多模态嵌入语义搜索并尝试混合搜索。
用对话生成SQL与项目定位
QueryData for AlloyDB面向不熟悉SQL或不了解数据库结构的用户，支持用对话语言与数据库交互并构建数据代理；用户提供context sets形式的数据库信息以提高生成器准确率。作者称context增加对数据schema的描述并提供模板、facet与取值搜索选项，使生成的SQL可预测并适合生产。
这些实验属于Google Cloud“Production-Ready AI”项目中“From Data Foundations to Advanced RAG”模块。作者建议关注AlloyDB和Cloud SQL的release notes，并称工程团队正在开发新功能和改进。