如何快速构建AI驱动的向量数据库应用：Gemini API与Weaviate集成开发完全指南

【免费下载链接】cookbook A collection of guides and examples for the Gemini API. 【免费下载链接】cookbook 项目地址: https://gitcode.com/GitHub_Trending/coo/cookbook

GitHub推荐项目精选（coo/cookbook）是一个汇集Gemini API指南和示例的开源项目，旨在帮助开发者快速掌握AI驱动的应用开发。本文将详细介绍如何利用Gemini API与Weaviate向量数据库构建强大的AI应用，从环境搭建到实际案例实现，让你轻松上手向量数据库开发。

向量数据库与AI集成：为什么选择Gemini API和Weaviate？

在当今AI驱动的应用开发中，向量数据库扮演着至关重要的角色。它们能够高效存储和检索高维向量数据，为语义搜索、推荐系统等应用提供强大支持。Gemini API作为谷歌推出的先进AI模型，具备强大的文本生成和理解能力，而Weaviate作为开源向量数据库，拥有出色的性能和灵活性。两者的结合，为构建智能应用提供了理想的技术栈。

ESP32语音LED控制器接线图

图：ESP32语音LED控制器接线图，展示了硬件与软件结合的实际应用场景，类比向量数据库与AI模型的协同工作方式。

Gemini API与Weaviate的核心优势

  • Gemini API：提供多模态理解与生成能力，支持文本、图像等多种输入类型，能够生成高质量的自然语言描述和代码。
  • Weaviate：开源向量数据库，支持向量搜索、混合搜索、自动截断等高级功能，具备良好的可扩展性和易用性。

快速入门：环境搭建与依赖安装

要开始使用Gemini API和Weaviate构建应用，首先需要搭建开发环境并安装必要的依赖。以下是详细的步骤：

安装Weaviate客户端和Gemini API库

使用pip命令安装Weaviate客户端和Google Generative AI库：

pip install weaviate-client==4.7.1
pip install -U -q "google-genai>=1.0.0"

这些库将帮助你连接Weaviate数据库并与Gemini API进行交互。

连接Weaviate数据库

Weaviate提供多种部署方式，包括嵌入式、云端和本地Docker部署。对于快速开发和测试，推荐使用嵌入式Weaviate：

import weaviate
from weaviate.embedded import EmbeddedOptions

client = weaviate.WeaviateClient(
    embedded_options=EmbeddedOptions(
        version="1.25.10",
        additional_env_vars={
            "ENABLE_MODULES": "text2vec-palm, generative-palm"
        }),
        additional_headers={
            "X-Google-Studio-Api-Key": GEMINI_API_KEY
        }
)
client.connect()

这段代码将启动一个嵌入式Weaviate实例，并启用与Gemini API集成所需的模块。

数据模型设计：定义Weaviate模式

在Weaviate中，数据模型通过模式（Schema）定义。一个良好的模式设计对于高效的数据存储和检索至关重要。以下是一个示例模式定义，用于存储产品数据：

定义产品和用户角色集合

from weaviate.classes.config import Configure, Property, DataType

# 产品集合
client.collections.create(
    name="Products",
    vectorizer_config=Configure.Vectorizer.text2vec_palm(
        project_id="",
        api_endpoint="generativelanguage.googleapis.com",
        model_id="text-embedding-004"
    ),
    generative_config=Configure.Generative.palm(
        project_id="",
        api_endpoint="generativelanguage.googleapis.com",
        model_id="gemini-3-flash-preview"
    ),
    properties=[
        Property(name="product_id", data_type=DataType.TEXT),
        Property(name="title", data_type=DataType.TEXT),
        Property(name="category", data_type=DataType.TEXT),
        Property(name="description", data_type=DataType.TEXT),
        Property(name="brand", data_type=DataType.TEXT),
        Property(name="generated_description", data_type=DataType.TEXT),
    ]
)

# 用户角色集合
client.collections.create(
    name="Personas",
    vectorizer_config=Configure.Vectorizer.text2vec_palm(
        project_id="",
        api_endpoint="generativelanguage.googleapis.com",
        model_id="text-embedding-004"
    ),
    generative_config=Configure.Generative.palm(
        project_id="",
        api_endpoint="generativelanguage.googleapis.com",
        model_id="gemini-3-flash-preview"
    ),
    properties=[
        Property(name="name", data_type=DataType.TEXT),
        Property(name="description", data_type=DataType.TEXT),
    ]
)

这个模式定义了两个集合：Products和Personas，分别用于存储产品信息和用户角色信息。每个集合都配置了向量化器和生成模型，以便利用Gemini API的能力。

数据导入与管理：批量导入与更新

定义好模式后，下一步是将数据导入Weaviate。Weaviate提供了批量导入功能，可以高效地导入大量数据。以下是一个示例，展示如何导入产品数据：

批量导入产品数据

import requests
import json

# 从URL获取产品数据
url = 'https://raw.githubusercontent.com/bkauf/next-store/main/first_99_objects.json'
response = requests.get(url)
data = json.loads(response.text)

# 获取Products集合
products = client.collections.get("Products")

# 批量导入数据
with products.batch.dynamic() as batch:
    for item in data:
        batch.add_object(
            properties={
                "product_id": item['product_id'],
                "title": item['title'],
                "category": item['category'],
                "description": item['description'],
                "brand": item['brand']
            }
        )

这段代码从指定URL获取产品数据，并使用批量导入功能将数据添加到Products集合中。批量导入可以显著提高数据导入的效率，特别是当数据量较大时。

高级搜索功能：向量搜索与混合搜索

Weaviate提供了强大的搜索功能，包括向量搜索、混合搜索等。这些功能可以帮助你构建更智能、更精准的搜索体验。

向量搜索

向量搜索是Weaviate的核心功能，它基于向量相似度来检索数据。以下是一个向量搜索的示例：

response = products.query.near_text(
    query="travel mug",
    return_properties=["title", "description", "link"],
    limit=3
)

for product in response.objects:
    print(json.dumps(product.properties, indent=2))

这段代码将搜索与"travel mug"语义相似的产品，并返回前3个结果。向量搜索能够理解文本的语义含义，从而提供更相关的搜索结果。

混合搜索

混合搜索结合了向量搜索和关键词搜索的优点，可以进一步提高搜索的准确性。以下是一个混合搜索的示例：

response = products.query.hybrid(
    query="dishwasher safe container",
    alpha=0.75,  # 0.75表示75%向量搜索，25%关键词搜索
    return_properties=["title", "description", "link"],
    limit=3
)

for product in response.objects:
    print(json.dumps(product.properties, indent=2))

通过调整alpha参数，可以控制向量搜索和关键词搜索的权重，以获得最佳的搜索效果。

生成式反馈循环：利用Gemini API增强数据

生成式反馈循环是指利用AI模型生成新的内容，并将其存储回数据库中，以增强数据的价值。以下是一个示例，展示如何使用Gemini API生成产品描述并存储回Weaviate：

生成产品描述并更新数据库

import google.generativeai as genai

# 配置Gemini API
genai.configure(api_key=GEMINI_API_KEY)
model = genai.GenerativeModel('gemini-2.5-flash')

# 搜索产品
response = products.query.near_text(
    query="travel jacket",
    return_properties=["title", "description", "link"],
    limit=1
)

# 为每个产品生成描述
for product in response.objects:
    prompt = f"Write a short Facebook ad about this product: {product.properties['description']}"
    generated_description = model.generate_content(prompt).text
    
    # 更新产品描述
    products.data.update(
        uuid=product.uuid,
        properties={"generated_description": generated_description}
    )

这段代码使用Gemini API为产品生成Facebook广告描述，并将生成的描述存储回Weaviate数据库中。这种方式可以丰富产品信息，提高数据的可用性。

个性化推荐：基于用户角色的内容生成

Weaviate支持跨引用（Cross-references），可以建立不同集合之间的关系。利用这一特性，可以实现基于用户角色的个性化内容推荐。

创建个性化描述集合

# 创建Personalized集合，用于存储个性化描述
client.collections.create(
    name="Personalized",
    vectorizer_config=Configure.Vectorizer.text2vec_palm(
        project_id="",
        api_endpoint="generativelanguage.googleapis.com",
        model_id="text-embedding-004"
    ),
    generative_config=Configure.Generative.palm(
        project_id="",
        api_endpoint="generativelanguage.googleapis.com",
        model_id="gemini-3-flash-preview"
    ),
    properties=[
        Property(name="description", data_type=DataType.TEXT),
    ],
    references=[
        ReferenceProperty(name="ofProduct", target_collection="Products"),
        ReferenceProperty(name="ofPersona", target_collection="Personas")
    ]
)

生成个性化描述

# 获取用户角色
personas = client.collections.get("Personas")

# 为每个用户角色生成个性化产品描述
for persona in personas.iterator():
    # 生成个性化描述
    prompt = f"Create a product description for {persona.properties['name']} based on their preferences: {persona.properties['description']}"
    generated_description = model.generate_content(prompt).text
    
    # 存储个性化描述
    personalized.data.insert(
        properties={"description": generated_description},
        references={
            "ofProduct": product.uuid,
            "ofPersona": persona.uuid
        }
    )

通过这种方式，可以为不同的用户角色生成个性化的产品描述，提高用户体验和转化率。

项目实战：构建智能产品推荐系统

结合上述所有功能，我们可以构建一个智能产品推荐系统。该系统能够根据用户的偏好和产品的特性，提供个性化的产品推荐。

系统架构

  1. 数据层：使用Weaviate存储产品数据和用户角色数据。
  2. 向量层：利用Gemini API生成产品和用户的向量表示。
  3. 搜索层：通过Weaviate的向量搜索和混合搜索功能，找到与用户兴趣匹配的产品。
  4. 生成层：使用Gemini API为用户生成个性化的产品描述和推荐理由。

核心代码示例

# 1. 导入数据
# （省略数据导入代码，参考前面的数据导入部分）

# 2. 生成用户向量
# （省略用户向量生成代码，参考前面的向量生成部分）

# 3. 搜索相关产品
response = products.query.near_object(
    near_object=user_vector,
    return_properties=["title", "description", "generated_description"],
    limit=5
)

# 4. 生成个性化推荐
for product in response.objects:
    prompt = f"Recommend this product to {user_name}: {product.properties['generated_description']}"
    recommendation = model.generate_content(prompt).text
    print(recommendation)

这个示例展示了如何将Weaviate和Gemini API结合，构建一个端到端的智能推荐系统。

总结与扩展

通过本文的介绍，你已经了解了如何使用Gemini API和Weaviate构建AI驱动的向量数据库应用。从环境搭建、数据模型设计到高级搜索和个性化推荐，我们覆盖了构建此类应用的关键步骤。

进一步学习资源

扩展方向

  • 多模态数据处理：结合图像、音频等多模态数据，构建更丰富的应用。
  • 实时数据更新：实现数据的实时更新和索引，提高应用的时效性。
  • 分布式部署：将Weaviate部署到分布式环境，提高系统的可扩展性和可靠性。

通过不断探索和实践，你可以构建出更加强大和智能的AI应用，为用户提供更好的体验。祝你在AI驱动的向量数据库开发之路上取得成功！

【免费下载链接】cookbook A collection of guides and examples for the Gemini API. 【免费下载链接】cookbook 项目地址: https://gitcode.com/GitHub_Trending/coo/cookbook

Logo
DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

cover

RAG召回分数漂亮但回答仍错：评测集构造与DeepSeek生成护栏的工程解法

avatar DeepSeek技术社区
cover

评测绿不等于上线绿：DeepSeek-V4 迁移中合成数据陷阱与真实场景脱节

avatar DeepSeek技术社区
cover

DeepSeek-V4上下文管理实战：会话摘要与外存策略如何平衡性能与记忆精度

avatar DeepSeek技术社区