研报总结
第1章 利用数据库构建更出色的AI应用和智能体
本章指出，虽然AI技术已广泛应用于内容生成等领域，但将其应用于生产环境的企业级应用仍面临挑战。开发者作为企业创新的核心，需要将强大的AI模型与可靠的数据相连接，以生成关键分析洞见并推动业务战略。数据库在此过程中扮演重要角色，能够提供实时准确性、与用户体验相关且在企业级环境中保持可靠的数据，从而弥合通用AI模型与企业级应用之间的差距。
第2章 支撑成功AI应用的六大支柱性原则
本章介绍了支撑成功AI应用的六大支柱性原则：
- 相关性：提供准确且契合情境的信息。
- 可靠性：确保应用能够在需要时正常运行。
- 可观测性：了解智能体的“所以然”。
- 可伸缩性：可按需扩展，亦可按需缩减。
- 安全性：确保客户数据和公司数据的安全。
- 成本效益：明智地构建，明智地支出。
现代数据库为实现这些原则提供了基础，但需要开发者进行精心的架构设计。
第3章 为AI应用提供支持的技术
本章介绍了以下技术，这些技术可助力应用提供更加相关且可靠的结果：
- 长上下文窗口：允许模型在生成回答时考量更多信息。
- 专用AI模型：基于有限但深入的信息进行过训练的模型。
- 工具：提供数据的特定函数，例如查询数据库或调用API。
- 智能体间通信：使多个AI智能体能够相互理解、共享信息并协调行动。
- 向量嵌入：将文本、图片或其他内容转换为向量，使模型能够理解不同字词和短语之间的语义相似性。
- 向量搜索：通过计算向量之间的距离来检索相关性最高的信息。
- 检索增强生成(RAG)：将传统信息检索系统与AI模型的功能相结合，提供更准确、更相关且时效性更强的回答。
- 编排框架：充当智能体的操作系统，帮助管理复杂的工作流和简化基本任务。
第4章 这些技术的实际应用
本章讨论了如何在实际应用中使用RAG等技术，并提供了两个Codelab教程：
- Colab：通过LangChain使用RAG与Netflix电影数据集：使用AlloyDB for PostgreSQL和LangChain构建交互式AI应用。
- Codelab：基于MCP Toolbox的AlloyDB智能体RAG应用：创建AlloyDB集群、部署MCP Toolbox，并构建基于RAG的聊天应用。
本章还介绍了AlloyDB AI如何为AI应用提供支持，并展示了智能体在汽车保险公司的应用案例。
第5章 依托Google的创新构建应用
本章强调了Google在向量算法创新方面的经验，以及Google Cloud如何支持开发者构建AI应用：
- 深度框架集成：与LangChain、LlamaIndex和Google智能体开发套件等框架深度集成。
- 开放标准：大力支持开放标准，例如MCP协议。
本章还介绍了Google Cloud如何利用AI助力数据库开发和管理，包括统一管理和优化、数据治理、迁移和开发等方面。
总结
本研报强调了数据库在构建成功AI应用中的重要性，并介绍了支撑成功AI应用的六大支柱性原则和关键技术。研报还提供了实际应用案例和教程，帮助开发者更好地理解和应用这些技术。最后，研报强调了Google Cloud在支持AI应用开发方面的作用，并介绍了其提供的各种工具和服务。
