本頁面的部分或所有資訊可能不適用於 S3NS 的 Cloud de Confiance。詳情請參閱「與 Google Cloud 的差異」。

Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

更新並重建有效索引

如果搜尋查詢量很大，請務必更新索引，確保資訊準確無誤。您可以透過幾種方式更新 Vector Search 索引：

取代整個索引
部分更新批次索引
部分更新串流索引
更新索引中繼資料

取代整個索引

如要取代現有批次更新或串流 Index 的內容，請使用 IndexService.UpdateIndex 方法。

將 Index.metadata.contentsDeltaUri 設為包含要更新向量的 Cloud Storage URI。
將 Index.metadata.isCompleteOverwrite 設為 true。如果設為 true，整個索引會完全覆寫為您提供的新中繼資料檔案。

gcloud

更新索引中繼資料檔案，設定 contentsDeltaUri 和 isCompleteOverwrite=true。
使用 gcloud ai indexes update 指令。

使用下列任何指令資料前，請先替換以下項目：

LOCAL_PATH_TO_METADATA_FILE：中繼資料檔案的本機路徑。
INDEX_ID：索引 ID。
LOCATION：您使用 Agent Platform 的區域。
PROJECT_ID：您的 Cloud de Confiance by S3NS 專案 ID。

執行下列指令：

Linux、macOS 或 Cloud Shell

gcloud ai indexes update INDEX_ID \
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE \
    --region=LOCATION \
    --project=PROJECT_ID

Windows (PowerShell)

gcloud ai indexes update INDEX_ID `
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE `
    --region=LOCATION `
    --project=PROJECT_ID

Windows (cmd.exe)

gcloud ai indexes update INDEX_ID ^
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE ^
    --region=LOCATION ^
    --project=PROJECT_ID

REST

使用任何要求資料之前，請先修改下列項目的值：

INPUT_DIR：索引內容的 Cloud Storage 目錄路徑。
INDEX_ID：索引 ID。
LOCATION：您使用 Agent Platform 的區域。
PROJECT_ID：您的 Cloud de Confiance by S3NS 專案 ID。
PROJECT_NUMBER：系統自動產生的專案編號。

HTTP 方法和網址：

PATCH https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes/INDEX_ID

JSON 要求主體：

{
 "metadata": {
   "contentsDeltaUri": "INPUT_DIR",
   "isCompleteOverwrite": true
 }
}

請展開以下其中一個選項，以傳送要求：

curl (Linux、macOS 或 Cloud Shell)

注意：下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI，或已使用 Cloud Shell 自動登入 gcloud CLI。您可以執行 gcloud auth list，查看目前使用的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

curl -X PATCH \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes/INDEX_ID"

PowerShell (Windows)

注意：下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI。您可以執行 gcloud auth list，查看目前使用的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method PATCH `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes/INDEX_ID" | Select-Object -Expand Content

您應該會收到如下的 JSON 回覆：

{
 "name": "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID/operations/OPERATION_ID",
 "metadata": {
   "@type": "type.googleapis.com/google.cloud.aiplatform.v1.UpdateIndexOperationMetadata",
   "genericMetadata": {
     "createTime": "2022-01-12T23:56:14.480948Z",
     "updateTime": "2022-01-12T23:56:14.480948Z"
   }
 }
}

Python

如要瞭解如何安裝或更新 Vertex AI SDK for Python，請參閱「安裝 Vertex AI SDK for Python」。詳情請參閱 Python API 參考文件。

叫用下列方法時，請將 is_complete_overwrite=True 設為完全取代索引內容。

def vector_search_update_index_embeddings(
    project: str,
    location: str,
    index_name: str,
    gcs_uri: str,
    is_complete_overwrite: Optional[bool] = None,
) -> None:
    """Update a vector search index.

    Args:
        project (str): Required. Project ID
        location (str): Required. The region name
        index_name (str): Required. The index to update. A fully-qualified index
          resource name or a index ID.  Example:
          "projects/123/locations/us-central1/indexes/my_index_id" or
          "my_index_id".
        gcs_uri (str): Required. The Google Cloud Storage uri for index content
        is_complete_overwrite (bool): Optional. If true, the index content will
          be overwritten wth the contents at gcs_uri.
    """
    # Initialize the Vertex AI client
    aiplatform.init(project=project, location=location)

    # Create the index instance from an existing index
    index = aiplatform.MatchingEngineIndex(index_name=index_name)

    index.update_embeddings(
        contents_delta_uri=gcs_uri, is_complete_overwrite=is_complete_overwrite
    )

控制台

請按照下列操作說明更新批次索引內容。

前往 Cloud de Confiance 控制台的「Agent Platform」部分，然後前往「Deploy and Use」(部署及使用) 專區。選取「向量搜尋」
前往 Vector Search
選取要更新的索引。「Index info」(索引資訊) 頁面隨即開啟。
選取「編輯索引」。「編輯索引」窗格隨即開啟。
在「Cloud Storage」欄位中，搜尋並選取儲存向量資料的 Cloud Storage 資料夾。
勾選「完全覆寫」方塊，即可覆寫所有現有資料。
按一下 [Update] (更新)。
按一下「完成」關閉面板。

部分更新批次索引

如要更新現有批次 Index 的嵌入，請使用 IndexService.UpdateIndex 方法。

將 Index.metadata.contentsDeltaUri 設為包含要更新向量的 Cloud Storage URI。
將 Index.metadata.isCompleteOverwrite 設為 false。

系統只會更新、插入或刪除 Index.metadata.contentsDeltaUri 中指定的向量。索引中其他現有的嵌入則會保留。

gcloud

更新索引中繼資料檔案，設定 contentsDeltaUri。
使用 gcloud ai indexes update 指令。

使用下列任何指令資料前，請先替換以下項目：

LOCAL_PATH_TO_METADATA_FILE：中繼資料檔案的本機路徑。
INDEX_ID：索引 ID。
LOCATION：您使用 Agent Platform 的區域。
PROJECT_ID：您的 Cloud de Confiance by S3NS 專案 ID。

執行下列指令：

Linux、macOS 或 Cloud Shell

gcloud ai indexes update INDEX_ID \
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE \
    --region=LOCATION \
    --project=PROJECT_ID

Windows (PowerShell)

gcloud ai indexes update INDEX_ID `
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE `
    --region=LOCATION `
    --project=PROJECT_ID

Windows (cmd.exe)

gcloud ai indexes update INDEX_ID ^
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE ^
    --region=LOCATION ^
    --project=PROJECT_ID

REST

使用任何要求資料之前，請先修改下列項目的值：

INPUT_DIR：索引內容的 Cloud Storage 目錄路徑。
INDEX_ID：索引 ID。
LOCATION：您使用 Agent Platform 的區域。
PROJECT_ID：您的 Cloud de Confiance by S3NS 專案 ID。
PROJECT_NUMBER：系統自動產生的專案編號。

HTTP 方法和網址：

PATCH https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes/INDEX_ID

JSON 要求主體：

{
 "metadata": {
   "contentsDeltaUri": "INPUT_DIR",
   "isCompleteOverwrite": false
 }
}

請展開以下其中一個選項，以傳送要求：

curl (Linux、macOS 或 Cloud Shell)

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

curl -X PATCH \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes/INDEX_ID"

PowerShell (Windows)

注意：下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI。您可以執行 gcloud auth list，查看目前使用的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method PATCH `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes/INDEX_ID" | Select-Object -Expand Content

您應該會收到如下的 JSON 回覆：

{
 "name": "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID/operations/OPERATION_ID",
 "metadata": {
   "@type": "type.googleapis.com/google.cloud.aiplatform.v1.UpdateIndexOperationMetadata",
   "genericMetadata": {
     "createTime": "2022-01-12T23:56:14.480948Z",
     "updateTime": "2022-01-12T23:56:14.480948Z"
   }
 }
}

Python

如要瞭解如何安裝或更新 Vertex AI SDK for Python，請參閱「安裝 Vertex AI SDK for Python」。詳情請參閱 Python API 參考文件。

叫用下列方法時，請設定 is_complete_overwrite=False。

def vector_search_update_index_embeddings(
    project: str,
    location: str,
    index_name: str,
    gcs_uri: str,
    is_complete_overwrite: Optional[bool] = None,
) -> None:
    """Update a vector search index.

    Args:
        project (str): Required. Project ID
        location (str): Required. The region name
        index_name (str): Required. The index to update. A fully-qualified index
          resource name or a index ID.  Example:
          "projects/123/locations/us-central1/indexes/my_index_id" or
          "my_index_id".
        gcs_uri (str): Required. The Google Cloud Storage uri for index content
        is_complete_overwrite (bool): Optional. If true, the index content will
          be overwritten wth the contents at gcs_uri.
    """
    # Initialize the Vertex AI client
    aiplatform.init(project=project, location=location)

    # Create the index instance from an existing index
    index = aiplatform.MatchingEngineIndex(index_name=index_name)

    index.update_embeddings(
        contents_delta_uri=gcs_uri, is_complete_overwrite=is_complete_overwrite
    )

控制台

請按照下列操作說明更新批次索引內容。

前往 Cloud de Confiance 控制台的「Agent Platform」部分，然後前往「Deploy and Use」(部署及使用) 專區。選取「向量搜尋」
前往 Vector Search
選取要更新的索引。「Index info」(索引資訊) 頁面隨即開啟。
選取「編輯索引」。「編輯索引」窗格隨即開啟。
在「Cloud Storage」欄位中，搜尋並選取儲存向量資料的 Cloud Storage 資料夾。
確認「Complete overwrite」(完整覆寫) 方塊已清除。
按一下 [Update] (更新)。
按一下「完成」關閉面板。

如果 Index 有任何相關聯的部署作業 (請參閱 Index.deployed_indexes 欄位)，則在對原始 Index 進行特定變更時，DeployedIndex 會在背景自動以非同步方式更新，以反映這些變更。

如要確認變更是否已套用，請比較更新索引作業完成時間和 DeployedIndex.index_sync_time。

部分更新串流索引

透過串流更新，您可以在幾秒內更新及查詢索引。目前，您無法在現有的批次更新索引上使用串流更新，必須建立新的索引。詳情請參閱「建立用於串流更新的索引」。

串流更新每 GB 費用為 $0.45 美元。如要進一步瞭解定價，請參閱 Agent Platform 定價頁面。串流更新會直接套用至記憶體中已部署的索引，並在短暫延遲後反映在查詢結果中。

新增或更新資料點

請參考這些範例，瞭解如何新增或更新資料點。請注意，upsert-datapoints 只接受陣列格式的 JSON。

Python

def vector_search_upsert_datapoints(
    project: str,
    location: str,
    index_name: str,
    datapoints: Sequence[aiplatform.compat.types.index_v1beta1.IndexDatapoint],
) -> None:
    """Upsert datapoints to the index.

    Args:
      project (str): Required. The Project ID
      location (str): Required. The region name, e.g. "us-central1"
      index_name (str): Required. The index to update. A fully-qualified index
        resource name or a index ID.  Example:
        "projects/123/locations/us-central1/indexes/my_index_id" or
        "my_index_id".
      datapoints: Sequence[IndexDatapoint]: Required. The datapoints to be
        updated. For example:
        [IndexDatapoint(datapoint_id="1", feature_vector=[1.0, 2.0, 3.0]),
        IndexDatapoint(datapoint_id="2", feature_vector=[4.0, 5.0, 6.0])]
    """
    # Initialize the Vertex AI client
    aiplatform.init(project=project, location=location)

    # Create the index instance from an existing index with stream_update
    # enabled
    my_index = aiplatform.MatchingEngineIndex(index_name=index_name)

    # Upsert the datapoints to the index
    my_index.upsert_datapoints(datapoints=datapoints)

Curl

處理量配額限制與 upsert 作業包含的資料量有關。如果索引中已有資料點 ID，系統會更新嵌入，否則會新增嵌入。

  
  DATAPOINT_ID_1=
  DATAPOINT_ID_2=
  curl -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`" https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}/indexes/${INDEX_ID}:upsertDatapoints \
  -d '{datapoints: [{datapoint_id: "'${DATAPOINT_ID_1}'", feature_vector: [...]},
  {datapoint_id: "'${DATAPOINT_ID_2}'", feature_vector: [...]}]}'

混合式搜尋支援資料點的稀疏和稠密嵌入表示法。在 upsert 作業中，省略密集嵌入會刪除密集表示法，省略稀疏嵌入則會刪除稀疏表示法。

這個範例會同時更新稠密和稀疏嵌入。

  
    curl -X POST -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`"  https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}/indexes/${INDEX_ID}:upsertDatapoints -d '{datapoints: [{datapoint_id: "111", feature_vector: [0.111, 0.111], "sparse_embedding": {"values": [111.0,111.1,111.2], "dimensions": [10,20,30]}}]}'

這個範例會更新稠密嵌入，並移除稀疏嵌入。

    
      curl -X POST -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`"  https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}/indexes/${INDEX_ID}:upsertDatapoints -d '{datapoints: [{datapoint_id: "111", feature_vector: [0.111, 0.111]}]}'

這個範例會更新稀疏嵌入，並移除稠密嵌入。

    
      curl -X POST -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`"  https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}/indexes/${INDEX_ID}:upsertDatapoints -d '{datapoints: [{datapoint_id: "111",  "sparse_embedding": {"values": [111.0,111.1,111.2], "dimensions": [10,20,30]}}]}'

控制台

請按照下列操作說明，將內容更新至串流索引。

在 Cloud de Confiance 控制台，前往「向量搜尋」頁面。
前往 Vector Search
選取要更新的索引。「Index info」(索引資訊) 頁面隨即開啟。
按一下「Edit Index」(編輯索引)。「編輯索引」窗格隨即開啟。
在窗格中，選取「Upsert data point」(更新插入資料點) 分頁標籤，即可新增內容。
輸入資料點 ID。
請至少輸入一種嵌入類型：

密集嵌入：輸入以半形逗號分隔的浮點值陣列。值的數量必須與索引維度相符。
稀疏嵌入：

請以半形逗號分隔的整數陣列，輸入稀疏型嵌入維度。值的數量不一定要與索引維度相符。
請輸入浮點值陣列，並以半形逗號分隔。值的數量必須與稀疏型嵌入維度數量相符。

選用：如要依據這個資料點的權杖限制啟用篩選功能，請按一下「Add token restrict」(新增權杖限制)，然後輸入命名空間和以半形逗號分隔的字串做為權杖。
選用：如要啟用這個資料點的數值限制篩選功能，請按一下「新增數值限制」，輸入命名空間，選取數字類型，然後輸入值。
選用：如要避免出現許多類似結果，請輸入聚集標記字串。
按一下「Upsert」。
按一下「完成」關閉面板。

處理量配額限制與 upsert 作業包含的資料量有關。如果索引中已有該資料點 ID，系統會更新嵌入，否則會新增嵌入。

更新嵌入中繼資料

您可能基於許多原因，需要更新串流限制或數字限制。舉例來說，處理大量且快速變動的資料時，您可能需要優先處理特定資料串流。直接更新限制或數值限制，即可即時調整焦點，確保最重要的資料立即處理或醒目顯示。

您可以直接更新串流索引中的資料點限制和數值限制，不必支付完整更新的壓縮費用。

如要執行這些僅限中繼資料的更新，您必須在要求中新增 update_mask 欄位。update_mask 的值必須設為 all_restricts。在資料點中設定的限制和數值限制值，應為您要在更新中套用的新值。

以下範例說明如何為兩個現有資料點新增限制。

DATAPOINT_ID_1=
DATAPOINT_ID_2=

curl -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`" https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}/indexes/${INDEX_ID}:upsertDatapoints \
-d '{datapoints:
[{datapoint_id: "'${DATAPOINT_ID_1}'", feature_vector: [...],  restricts:[{namespace: "color", allow_list: ["red"]}]},
{datapoint_id: "'${DATAPOINT_ID_2}'", feature_vector: [...],  restricts:[{namespace: "color", allow_list: ["red"]}]}
], update_mask: "all_restricts"}'

移除資料點

您可能需要從串流索引中移除資料點。您可以使用 curl 或透過 Cloud de Confiance 控制台執行這項操作。

從索引中刪除資料點的主要用途，是維持索引與實際來源之間的一致性。假設某位書商使用向量嵌入來表示書籍庫存，以便進行搜尋和推薦。當書籍售罄或下架時，從索引中刪除對應的資料點，可確保搜尋結果和推薦內容保持準確和最新狀態。

Curl


curl -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`" https://{LOCATION}-aiplatform.googleapis.com/v1/projects/{PROJECT_ID}/locations/{REGION}/indexes/{INDEX_ID}:removeDatapoints -d '{datapoint_ids: ["'{DATAPOINT_ID_1}'", "'{DATAPOINT_ID_2}'"]}'

控制台

請按照下列操作說明，從串流索引中刪除資料點。

前往 Cloud de Confiance 控制台的「Agent Platform」部分，然後前往「Deploy and Use」(部署及使用) 專區。選取「向量搜尋」
前往 Vector Search
選取要更新的串流索引。「Index info」(索引資訊) 頁面隨即開啟。
選取「編輯索引」。「編輯索引」窗格隨即開啟。
在窗格中選取「移除資料點」分頁標籤。
提供以半形逗號分隔的資料點 ID 清單，最多可新增 20 個資料點
按一下 [移除]。
按一下「完成」關閉面板。

Python

def vector_search_remove_datapoints(
    project: str,
    location: str,
    index_name: str,
    datapoint_ids: Sequence[str],
) -> None:
    """Remove datapoints from a vector search index.

    Args:
        project (str): Required. Project ID
        location (str): Required. The region name
        index_name (str): Required. The index to update. A fully-qualified index
          resource name or a index ID.  Example:
          "projects/123/locations/us-central1/indexes/my_index_id" or
          "my_index_id".
        datapoint_ids (Sequence[str]): Required. The datapoint IDs to remove.
    """
    # Initialize the Vertex AI client
    aiplatform.init(project=project, location=location)

    # Create the index instance from an existing index
    index = aiplatform.MatchingEngineIndex(index_name=index_name)

    index.remove_datapoints(datapoint_ids=datapoint_ids)

更新索引中繼資料

IndexService.UpdateIndex 也可以用來更新批次和串流索引的中繼資料欄位 display_name、description 和 labels。請注意，單次呼叫 UpdateIndex 可以更新索引嵌入「或」這些中繼資料欄位，但無法同時更新兩者。

gcloud

更新索引中繼資料檔案。
使用 gcloud ai indexes update 指令。

使用下列任何指令資料前，請先替換以下項目：

LOCAL_PATH_TO_METADATA_FILE：中繼資料檔案的本機路徑。
INDEX_ID：索引 ID。
LOCATION：您使用 Agent Platform 的區域。
PROJECT_ID：您的 Cloud de Confiance by S3NS 專案 ID。

執行下列指令：

Linux、macOS 或 Cloud Shell

gcloud ai indexes update INDEX_ID \
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE \
    --region=LOCATION \
    --project=PROJECT_ID

Windows (PowerShell)

gcloud ai indexes update INDEX_ID `
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE `
    --region=LOCATION `
    --project=PROJECT_ID

Windows (cmd.exe)

gcloud ai indexes update INDEX_ID ^
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE ^
    --region=LOCATION ^
    --project=PROJECT_ID

REST

使用任何要求資料之前，請先修改下列項目的值：

INPUT_DIR：索引內容的 Cloud Storage 目錄路徑。
INDEX_ID：索引 ID。
LOCATION：您使用 Agent Platform 的區域。
PROJECT_ID：您的 Cloud de Confiance by S3NS 專案 ID。
PROJECT_NUMBER：系統自動產生的專案編號。

HTTP 方法和網址：

PATCH https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes/INDEX_ID

JSON 要求主體：

{
 "metadata": {
   "description": "Updated description",
   "display_name": "Updated display name"
 }
}

請展開以下其中一個選項，以傳送要求：

curl (Linux、macOS 或 Cloud Shell)

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

curl -X PATCH \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes/INDEX_ID"

PowerShell (Windows)

注意：下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI。您可以執行 gcloud auth list，查看目前使用的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method PATCH `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes/INDEX_ID" | Select-Object -Expand Content

您應該會收到如下的 JSON 回覆：

{
 "name": "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID/operations/OPERATION_ID",
 "metadata": {
   "@type": "type.googleapis.com/google.cloud.aiplatform.v1.UpdateIndexOperationMetadata",
   "genericMetadata": {
     "createTime": "2022-01-12T23:56:14.480948Z",
     "updateTime": "2022-01-12T23:56:14.480948Z"
   }
 }
}

Python

def vector_search_update_index_metadata(
    project: str,
    location: str,
    index_name: str,
    display_name: Optional[str] = None,
    description: Optional[str] = None,
    labels: Optional[Dict[str, str]] = None,
) -> None:
    """Update a vector search index.

    Args:
        project (str): Required. Project ID
        location (str): Required. The region name
        index_name (str): Required. The index to update. A fully-qualified index
          resource name or a index ID.  Example:
          "projects/123/locations/us-central1/indexes/my_index_id" or
          "my_index_id".
        display_name (str): Optional. The display name of the Index. The name
          can be up to 128 characters long and can be consist of any UTF-8
          characters.
        description (str): Optional. The description of the Index.
        labels (Dict[str, str]): Optional. The labels with user-defined
          metadata to organize your Indexs. Label keys and values can be no
          longer than 64 characters (Unicode codepoints), can only contain
          lowercase letters, numeric characters, underscores and dashes.
          International characters are allowed. See https://goo.gl/xmQnxf for
          more information on and examples of labels. No more than 64 user
          labels can be associated with one Index (System labels are excluded).
          System reserved label keys are prefixed with
          "aiplatform.googleapis.com/" and are immutable.
    """
    # Initialize the Vertex AI client
    aiplatform.init(project=project, location=location)

    # Create the index instance from an existing index
    index = aiplatform.MatchingEngineIndex(index_name=index_name)

    index.update_metadata(
        display_name=display_name,
        description=description,
        labels=labels,
    )

控制台

請按照下列操作說明更新索引中繼資料 (控制台只能更新 display_name 和 description)。

前往 Cloud de Confiance 控制台的「Agent Platform」部分，然後前往「Deploy and Use」(部署及使用) 專區。選取「向量搜尋」
前往 Vector Search
選取要更新的索引。「Index info」(索引資訊) 頁面隨即開啟。
選取「編輯索引」。「編輯索引」窗格隨即開啟。
更新所需的中繼資料欄位。
按一下 [Update] (更新)。
按一下「完成」關閉面板。

壓縮

系統會定期重建索引，納入上次重建後的所有新更新。這項重建作業 (或稱「壓縮」) 可提升查詢效能和穩定性。串流更新和批次更新都會進行壓縮。

串流更新：向量搜尋會使用以經驗法則為基礎的指標，判斷何時觸發壓縮。如果最舊的未壓縮資料已存在五天，系統一律會觸發壓縮作業。除了串流更新費用外，系統也會按照批次更新的費率，向您收取重建索引的費用。
批次更新：當增量資料集大小 > 基本資料集大小的 20% 時，就會發生這種情況。

重建及查詢索引

您可以照常使用 grpc CLI、用戶端程式庫或 Python 適用的 Agent Platform SDK，傳送比對成功的請求或批次比對要求。重新建立查詢後，您應該會在幾秒內看到更新。如要瞭解如何查詢索引，請參閱「查詢索引以取得最鄰近項目」。

選填欄位

建立索引時，您可以使用一些選用欄位來微調查詢。

Upsert with restricts

更新插入索引並新增限制，即可為資料點加上標記，讓資料點在查詢時已識別完成，可供篩選。建議您在傳送查詢前，新增限制標記來限制資料顯示的結果。舉例來說，客戶想對索引執行查詢，但想確保搜尋鞋類時，結果只顯示與「紅色」相符的項目。在以下範例中，系統會更新插入索引，並篩選出所有紅色鞋子，但拒絕藍色鞋子。這可確保搜尋作業在執行前，先從龐大且多樣的索引中篩選出最合適的特定選項。

除了符記限制外，這個範例也使用了數值限制。在本例中，資料點與價格 20、長度 0.3 和寬度 0.5 相關聯。查詢時，您可以使用這些數字限制篩選結果，將查詢結果限制在價格、長度和寬度值。舉例來說，如果查詢篩選條件為價格 > 25、長度 < 1 且寬度 < 1，這個資料點就會顯示在查詢結果中。

如要進一步瞭解篩選功能，請參閱「向量搜尋索引」。

Python

# Upsert datapoints
_TEST_DATAPOINT_1 = aiplatform_v1.types.index.IndexDatapoint(
    datapoint_id="3",
    feature_vector=[0.00526886899, -0.0198396724],
    restricts=[
        aiplatform_v1.types.index.IndexDatapoint.Restriction(namespace="Color", allow_list=["red"])
    ],
    numeric_restricts=[
        aiplatform_v1.types.index.IndexDatapoint.NumericRestriction(
            namespace="cost",
            value_int=1,
        )
    ],
)
_TEST_DATAPOINT_2 =  aiplatform_v1.types.index.IndexDatapoint(
    datapoint_id="4",
    feature_vector=[0.00526886899, -0.0198396724],
    numeric_restricts=[
        aiplatform_v1.types.index.IndexDatapoint.NumericRestriction(
            namespace="cost",
            value_double=0.1,
        )
    ],
    crowding_tag=aiplatform_v1.types.index.IndexDatapoint.CrowdingTag(crowding_attribute="crowding"),
)
_TEST_DATAPOINT_3 = aiplatform_v1.types.index.IndexDatapoint(
    datapoint_id="5",
    feature_vector=[0.00526886899, -0.0198396724],
    numeric_restricts=[
        aiplatform_v1.types.index.IndexDatapoint.NumericRestriction(
            namespace="cost",
            value_float=1.1,
        )
    ],
)

_TEST_DATAPOINTS = [_TEST_DATAPOINT_1, _TEST_DATAPOINT_2, _TEST_DATAPOINT_3]

my_streaming_index = my_streaming_index.upsert_datapoints(datapoints=_TEST_DATAPOINTS)

# Dynamic metadata update
_TEST_DATAPOINT_4 = aiplatform_v1.types.index.IndexDatapoint(
    datapoint_id="-2",
    numeric_restricts=[
        aiplatform_v1.types.index.IndexDatapoint.NumericRestriction(
            namespace="cost",
            value_float=1.1,
        )
    ],
)
my_streaming_index = my_streaming_index.upsert_datapoints(datapoints=[_TEST_DATAPOINT4], update_mask=["all_restricts"])

curl

curl -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`" https://${ENDPOINT}/v1/projects/${PROJECT_ID}/locations/us-central1/indexes/${INDEX_ID}:upsertDatapoints \
-d '{
datapoints: [
  {
    datapoint_id: "'${DATAPOINT_ID_1}'",
    feature_vector: [...],
    restricts: { namespace: "color", allow_list: ["red"], deny_list: ["blue"]},
    numeric_restricts: [{namespace: "price", value_int: 20}, {namespace: "length", value_float: 0.3}, {namespace: "width", value_double: 0.5}]
  }
]}'

使用群聚功能執行 upsert

聚集標記會提升結果多樣性，限制相似結果。Crowding 是對最近鄰搜尋產生的鄰點清單施加的限制，要求一組結果中，傳回相同 crowding_attribute 值的結果數量不得超過某個值。舉例來說，假設您又回到線上購物網站買鞋。您希望結果中呈現多種顏色，但可能希望採用單一風格，例如足球鞋。假設您在插入資料點時，將 crowding_attribute 設為鞋子的顏色，則可以在查詢中設定 per_crowding_attribute_num_neighbors = 3，要求傳回不超過 3 雙相同顏色的鞋子。

這個欄位代表具有相同聚集標記的比對結果數量上限。

curl -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`" https://${ENDPOINT}/v1/projects/${PROJECT_ID}/locations/us-central1/indexes/${INDEX_ID}:upsertDatapoints \
-d '{
datapoints: [
  {
    datapoint_id: "'${DATAPOINT_ID_1}'",
    feature_vector: [...],
    restricts: { namespace: "type", allow_list: ["cleats"]}
    crowding_tag: { crowding_attribute: "red-shoe"},
  }
]}'

後續步驟

瞭解索引設定參數。
瞭解如何監控索引。