• TREFFER
  • KONTEXT
  • DATEN
  • MENSCH

Semantische Vektorsuche mit Ihrer KI durchführen

Verbinden Sie Ihren Agenten einmal mit Google Cloud. Danach kann er Live-Vektor-Endpoints abfragen, um Daten basierend auf ihrer Bedeutung statt nur nach Schlagworten zu finden.

Fragen Sie die KI zu dieser Seite

Kurzantwort

Wie kann ich semantische Ähnlichkeitssuchen mit meinem Agenten durchführen?

Ihr Agent nutzt spezifische Embedding-Arrays, um Live-Vektor-Endpoints in der Google Cloud abzufragen. Er identifiziert die passendsten Übereinstimmungen in Ihrem Datensatz durch Similarity-Lookups. So erhalten Sie präzise, kontextbezogene Ergebnisse.

Suchergebnisse

Wo Ihre Ergebnisse landen.

Was passiert, wenn Ihr Agent eine Abfrage ausführt.

TREFFER

Nearest-Neighbor-Ergebnisse

Der Agent identifiziert die ähnlichsten Datenpunkte in Ihrem Vektorindex. Sie erhalten genau die Datensätze, die der Absicht Ihrer Anfrage entsprechen.

KONTEXT

Semantische Relevanz

Die Suche ignoriert exakte Schlagworttreffer zugunsten konzeptioneller Ähnlichkeit. Das stellt sicher, dass Ihr Agent die richtigen Informationen findet, auch wenn die Wortwahl abweicht.

DATEN

Zugriff auf Live-Endpoints

Der Agent greift direkt auf Ihre aktiven Google Cloud Endpoints zu. Sie arbeiten stets mit den aktuellsten Embeddings in Ihrer Vektordatenbank.

MENSCH

Manuelle Prüfung nötig

Der Agent präsentiert die besten Treffer zur Überprüfung. Sie entscheiden, ob der Ähnlichkeitswert Ihren spezifischen Anforderungen entspricht.

Der Ablauf

Was Ihre KI tut, wenn die Anfrage eintrifft.

Der Agent übernimmt die komplexe Vektor-Mathematik und die Kommunikation mit den Endpoints.

  1. Abfrage vektorisieren

    Ihr Agent bereitet die Eingabe so vor, dass sie dem Format Ihres Google Cloud Index entspricht.

    search_nearest_neighbors

  2. Lookup ausführen

    Der Agent sendet das Embedding-Array an den Live-Endpoint, um Treffer zu finden.

    search_nearest_neighbors

  3. Nachbarn abrufen

    Das System zieht die am nächsten liegenden Datenpunkte basierend auf dem Ähnlichkeitswert.

    search_nearest_neighbors

  4. Ergebnisse präsentieren

    Der Agent fasst die gefundenen Nachbarn zusammen, damit Sie direkt damit arbeiten können.

    search_nearest_neighbors

Probieren Sie es

Kopieren Sie diese zum Start.

Nutzen Sie diese Prompts, um eine Suche auszulösen.

Startpunkte

Dies sind erste Formulierungen. Ersetzen Sie den Text in den Klammern durch Ihre tatsächlichen Endpoint-IDs und Embedding-Arrays.

Vertex AI Vector Search Connector

Alles bereit. Wählen Sie Ihren MCP-Client und folgen Sie den Einrichtungsschritten.

Connector-Linkhttps://edge.vinkius.com/vk_preview_7qmxXVVjzgLzy5Qveg1Au3aDsjeacjAMcHp2XBIt/mcp

Claude Desktop

Folgen Sie den Schritten unten, um sich in Sekunden zu verbinden.

  1. 1In Claude Desktop, open Settings → Connectors.
  2. 2Click “Add custom connector” and paste the connector link above as the remote MCP server URL.
  3. 3Click Add and start a new chat — Vertex AI Vector Search capabilities are ready to use.
Konfiguration · claude_desktop_config.jsonKopieren
{
  "mcpServers": {
    "vertex-ai-vector-search-mcp": {
      "url": "https://edge.vinkius.com/vk_preview_7qmxXVVjzgLzy5Qveg1Au3aDsjeacjAMcHp2XBIt/mcp"
    }
  }
}
In den Chat kopieren04

  • Suche nach den nächsten Nachbarn in meinem Google Cloud Index unter Verwendung dieses Embedding-Arrays: [0.1, 0.2, 0.3...]

  • Finde ähnliche Elemente in meinem Vektor-Endpoint für das Konzept 'Kundenabwanderung' mit diesem Array: [0.5, -0.1, 0.8...]

  • Führe einen Similarity-Lookup gegen meinen Live-Endpoint mit diesem spezifischen Embedding aus: [0.9, 0.4, -0.2...]

  • Identifiziere die am nächsten liegenden Datenpunkte zu diesem Vektor in meinem Vertex AI Index: [0.0, 1.1, -0.5...]

  • Claude
  • ChatGPT
  • Cursor
  • VS Code
  • Windsurf
  • Claude Code
  • JetBrains
  • Cline

Starten Sie hier

Einmalig mit Vertex AI Vector Search verbinden, dann fragen.

Verknüpfen Sie einfach Ihre Google Cloud Anmeldedaten. Ihre Zugangsdaten bleiben bei uns verschlüsselt, sodass Sie sofort mit Abfragen beginnen können.

Vertex AI Vector Search mit Ihrer KI verbinden

FAQ

Verhalten dieser Aufgabe

  • 01

    Kann die KI meinen Vektorindex aktualisieren?

    Nein. Dieser Connector führt nur Similarity-Lookups durch; er kann keine Daten in Ihrem Google Cloud Index hinzufügen, löschen oder ändern.

  • 02

    Muss ich die Embedding-Arrays bereitstellen?

    Ja. Der Agent benötigt spezifische Embedding-Arrays, um die Suche gegen Ihre Endpoints auszuführen.

  • 03

    Kann die KI meine Google Cloud Berechtigungen ändern?

    Nein. Der Agent nutzt ausschließlich die Berechtigungen, die Sie bereits für den Endpoint festgelegt haben.

  • 04

    Entscheidet die KI, welche Treffer 'korrekt' sind?

    Nein. Der Agent identifiziert die mathematisch nächsten Nachbarn, aber Sie müssen die Ergebnisse prüfen, um festzustellen, ob sie kontextuell sinnvoll sind.

  • 05

    Kann ich statt Vektoren nach Text suchen?

    Nein. Diese spezifische Aufgabe ist für semantische Vektor-Lookups mittels Embedding-Arrays konzipiert.

  • Weitere Fragen zu Vertex AI Vector Search? Die Connector-Seite liefert Antworten. Alle Funktionen des Vertex AI Vector Search Connectors ansehen

Verbinde Vertex AI Vector Search mit Claude, Cursor, ChatGPT & mehr