把生成式 AI 塞进数据库：AlloyDB 语义搜索与自然语言生成 SQL 实测

核心洞察

这篇教程把 Google 数据库跟生成式 AI 结合的几个实验串成了一条线，从最基础的语义搜索基于语义理解而非关键词匹配的搜索技术，能理解查询意图和内容含义。一直讲到用自然语言直接生成 SQL。我觉得最值得关注的是 QueryDataAlloyDB的一项功能，允许用户通过自然语言生成SQL查询，简化数据库交互。 那部分，它让不懂 SQL 的人也能跟数据库对话，这个方向如果做成熟了，会改变很多团队里数据查询的分工方式。不过文中给的都是实验环境，真正搬到生产环境还得看上下文集怎么维护。

---

聊生成式 AI 应用和它带来的新机会时，有个东西绕不过去，就是数据。企业日常收集、保存、使用的那些数据，是应用、分析、知识库这些东西的骨架。我们用数据库来存和操作数据，几乎所有 AI 项目和新应用都得用到这个数据层。

那怎么才能让 AI 系统用上我们的数据？下面介绍几个实验，展示在 Google 数据库里怎么准备数据、怎么跟 AI 模型配合使用。

核心结论

1. Google Cloud 的数据库（包括 AlloyDBGoogle Cloud的全托管PostgreSQL兼容数据库，专为高性能工作负载设计，集成了AI模型支持。 和 Cloud SQLGoogle Cloud的托管关系型数据库服务，支持PostgreSQL和MySQL，具备AI集成能力。 for PostgreSQL/MySQL）均具备 AI 集成能力，可直接在数据库内生成和使用文本嵌入，实现语义搜索并为生成式 AI 模型的回答提供 grounding，这是构建 RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses. 的基础。

2. Google 多模态嵌入同时对文本和图像等多种模态数据进行向量化，使得不同模态的数据可以在同一向量空间中进行相似度计算，支持图文混合检索。模型可同时对文本和图片进行嵌入，在 AlloyDB 中结合 Google Cloud Storage 存储的图片，能够实现文本与图片互相补充或替代的混合语义搜索。

3. AlloyDB 内置 AI 函数（如 AI.IF），无需额外准备数据即可实现即时语义搜索、情感评估和自然语言数据过滤，并可通过排序函数优化搜索结果。

4. QueryData for AlloyDB 支持用户以对话式自然语言与数据库交互并生成 SQL，通过提供包含数据 schema 描述的上下文集、模板、分面和值搜索选项，使生成的 SQL 具备可预测性和生产可用性。

5. 上述实验均属于 "Production-Ready AI with Google Cloud" 项目中「从数据基础到高级 RAG」模块，目前为实验环境，投入生产还需关注上下文集维护等实际问题。

语义搜索：在数据库里做文本嵌入

第一步是把数据准备好做语义搜索，跑通最初的测试，用语义搜索的结果给生成式 AI 模型的回答做 grounding。这些 grounding 数据就是 RAG 的基础。之后你可以用最新的索引技术给嵌入建索引，把搜索性能再提上去。

一个选择是 Google AlloyDB 数据库，它跟 AI 模型直接集成，能扛住要求最高的负载。下面的实验会带你走完整个流程，从创建 AlloyDB 集群、加载样本数据、生成嵌入，到用这些嵌入让生成式 AI 模型给出增强后的回答。

AI 集成不限于 AlloyDB。Google Cloud 的数据库都有 AI 集成能力，都能生成和使用嵌入来做语义搜索。比如你在用 Cloud SQL，也可以直接在现有的 PostgreSQL 或 MySQL 实例里生成和使用嵌入做语义搜索。

接下来两个实验跟上面那个很像，只是把 AlloyDB for PostgreSQL 换成了 Cloud SQL for PostgreSQL 和 Cloud SQL for MySQL，用语义搜索作为模型回答的 grounding 引擎。因为 SQL 语法和数据库引擎不同，有些步骤肯定不一样，但核心思路没变：用我们的数据给模型回答做 grounding，改善输出。

用文本数据做语义搜索是让回答更可靠、更有用的基石之一，但 Google 的生成式 AI 模型能做的远不止这些。接下来说说多模态搜索。

多模态嵌入：把图片也纳入搜索

现实生活中我们当然会动用所有感官，包括视觉，来判断周围的世界。Google 的多模态嵌入模型加了一层理解能力，不仅对文本做嵌入，也对图片做嵌入，从而改进搜索。

下面这个实验里，我们把一个产品目录放进 AlloyDB，图片放在 Google Cloud Storage。实验展示了怎么同时用文本描述和图片做语义搜索，两者互相补充、互相替代，把基于图片输入的搜索自然地融进回答里。

去做实验

实验：AlloyDB 中的多模态嵌入

目标：部署 AlloyDB 集群，导入数据，用多模态嵌入做文本和图片语义搜索，试试混合搜索方案。

准备数据和迈出第一步，对理解 RAG 和可用的搜索工具有帮助，但 Google 还有些场景，不需要做任何数据准备，直接靠 AI 集成就能帮你分析数据。

AlloyDB AI 函数与重排序

Google AlloyDB 数据库自带一些额外的 AI 集成，让你不用准备数据就能用上一些 AI 能力。比如 AI.IF 函数可以即时做语义搜索，评估情感，或者用自然语言查询去比较列里的数据，返回按查询条件过滤后的结果。你还可以对搜索结果应用排序函数，改善最终结果。下面这个实验可以让你试试这些新功能，如果对你的用例有帮助，可以反馈给他们。

去做实验

实验：AlloyDB AI 操作符与重排序

目标：部署 AlloyDB 集群并启用 AI 查询函数，用 AI 查询函数过滤数据，用排序函数改善搜索结果。

但如果有人不太懂 SQL，或者不熟悉你数据库里的数据结构呢？QueryData for AlloyDB 可以帮上忙。

用 QueryData for AlloyDB 生成 SQL

QueryData 让你用对话式的语言跟数据库里的数据交互，还能构建数据 agent。你以上下文集的形式提供数据库相关的信息，来提高生成器的准确度。

QueryData 的上下文加了一层描述数据 schema 的东西，还提供模板、分面和值搜索选项，让你生成的 SQL 可预测、能上生产。下面这个实验帮你上手这些新功能，基于你的数据 schema 生成第一批查询。

从测试到生产

这些实验是我们 Production-Ready AI with Google Cloud 项目里「从数据基础到高级 RAG」模块的一部分。看看其他模块，也许能帮你用上 Google Cloud 服务和工具提供的 AI 能力。最终目标是做出一个高质量应用，把现代技术的潜力都用上。

另外多留意 AlloyDB 和 Cloud SQL 的发布说明，工程团队正在忙着做新功能和改进。测试愉快。

常见问题（FAQ）

AlloyDB 的 AI 集成具体能做什么？

AlloyDB 提供 AI 函数如 AI.IF 可即时语义搜索、情感分析，支持重排序改善结果，还能通过 QueryData 用自然语言生成 SQL，让不懂 SQL 的人也能查询数据库。

多模态嵌入在 AlloyDB 中如何实现？

将产品目录存入 AlloyDB，图片放 Google Cloud Storage，利用多模态嵌入模型同时对文本和图片做嵌入，实现基于文本或图片的语义搜索，两者可互补或替代。

QueryData for AlloyDB 怎么用？

QueryData 让你用对话式语言与数据库交互，通过提供上下文集（描述 schema、模板等）提高生成 SQL 的准确度，适合不懂 SQL 或数据结构的人生成可预测的生产级查询。