• CORRESPONDANCES
  • CONTEXTE
  • DONNÉES
  • HUMAIN

Effectuer des recherches vectorielles avec votre IA

Connectez votre agent à Google Cloud une seule fois. Il pourra ensuite interroger vos points de terminaison pour trouver des données par leur sens plutôt que par de simples mots-clés.

Demandez à l'IA à propos de cette page

Réponse rapide

Comment lancer des recherches de similarité avec mon agent ?

Votre agent utilise des tableaux d'embeddings spécifiques pour interroger vos points de terminaison Google Cloud. Il identifie les correspondances les plus proches dans votre jeu de données pour vous fournir des résultats précis et contextuels.

Résultats de recherche

Où arrivent vos résultats.

Ce qui se passe quand votre agent effectue une recherche.

CORRESPONDANCES

Résultats des plus proches voisins

L'agent identifie les points de données les plus similaires dans votre index vectoriel. Vous recevez les enregistrements qui correspondent exactement à l'intention de votre requête.

CONTEXTE

Pertinence sémantique

La recherche privilégie la similarité conceptuelle plutôt que la correspondance exacte de mots-clés. Votre agent trouve l'information même si la formulation diffère.

DONNÉES

Accès direct aux points de terminaison

L'agent extrait les données directement de vos points de terminaison Google Cloud actifs. Vous travaillez avec les embeddings les plus récents de votre base de données.

HUMAIN

Révision manuelle nécessaire

L'agent présente les meilleures correspondances pour inspection. C'est à vous de décider si le score de similarité répond à vos besoins.

Le flux

Ce que fait votre IA lors de la requête.

L'agent gère toute la complexité des calculs vectoriels et de la communication avec les points de terminaison.

  1. Vectoriser la requête

    Votre agent prépare l'entrée pour qu'elle corresponde au format requis par votre index Google Cloud.

    search_nearest_neighbors

  2. Exécuter la recherche

    L'agent envoie le tableau d'embeddings au point de terminaison pour trouver les correspondances.

    search_nearest_neighbors

  3. Récupérer les voisins

    Le système extrait les points de données les plus proches selon le score de similarité.

    search_nearest_neighbors

  4. Présenter les résultats

    L'agent résume les voisins trouvés pour que vous puissiez agir.

    search_nearest_neighbors

Essayez

Copiez ces exemples pour commencer.

Utilisez ces prompts pour déclencher une recherche.

Points de départ

Voici des exemples de phrases d'introduction. Remplacez le texte entre crochets par vos propres identifiants de point de terminaison et tableaux d'embeddings.

Vertex AI Vector Search Connector

Tout est prêt. Choisissez votre client MCP et suivez les instructions de configuration.

Lien du connecteurhttps://edge.vinkius.com/vk_preview_7qmxXVVjzgLzy5Qveg1Au3aDsjeacjAMcHp2XBIt/mcp

Claude Desktop

Suivez les étapes ci-dessous pour vous connecter en quelques secondes.

  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.
Configuration · claude_desktop_config.jsonCopier
{
  "mcpServers": {
    "vertex-ai-vector-search-mcp": {
      "url": "https://edge.vinkius.com/vk_preview_7qmxXVVjzgLzy5Qveg1Au3aDsjeacjAMcHp2XBIt/mcp"
    }
  }
}
Copiez dans le chat04

  • Recherche les plus proches voisins dans mon index Google Cloud en utilisant cet embedding : [0.1, 0.2, 0.3...]

  • Trouve des éléments similaires dans mon point de terminaison vectoriel pour le concept de 'churn client' avec cet array : [0.5, -0.1, 0.8...]

  • Exécute une recherche de similarité sur mon point de terminaison actif avec cet embedding spécifique : [0.9, 0.4, -0.2...]

  • Identifie les points de données les plus proches de ce vecteur dans mon index Vertex AI : [0.0, 1.1, -0.5...]

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

Commencez ici

Connectez Vertex AI Vector Search une fois, puis posez vos questions.

Liez simplement vos identifiants Google Cloud. Vos accès restent chiffrés de notre côté et vous pouvez interroger vos données immédiatement.

Connecter Vertex AI Vector Search à votre IA

FAQ

Fonctionnement de la tâche

  • 01

    L'IA peut-elle mettre à jour mon index vectoriel ?

    Non. Ce connecteur effectue uniquement des recherches de similarité ; il ne peut ni ajouter, ni supprimer, ni modifier les données de votre index Google Cloud.

  • 02

    Dois-je fournir les tableaux d'embeddings ?

    Oui. L'agent a besoin de tableaux d'embeddings spécifiques pour exécuter la recherche sur vos points de terminaison.

  • 03

    L'IA peut-elle modifier mes permissions Google Cloud ?

    Non. L'agent utilise uniquement les permissions que vous avez déjà configurées pour le point de terminaison.

  • 04

    L'IA décide-t-elle quelles correspondances sont correctes ?

    Non. L'agent identifie les voisins mathématiquement les plus proches, mais il vous appartient de vérifier si ces résultats sont pertinents dans votre contexte.

  • 05

    Puis-je effectuer une recherche par texte plutôt que par vecteurs ?

    Non. Cette tâche spécifique est conçue pour les recherches vectorielles sémantiques via des tableaux d'embeddings.

  • D'autres questions sur Vertex AI Vector Search ? La page du connecteur contient toutes les réponses. Voir toutes les capacités du connecteur Vertex AI Vector Search

Connectez Vertex AI Vector Search à Claude, Cursor, ChatGPT et d'autres