ついに登場！？Firestoreの全文検索（ベクトル検索）

functions-framework==3.*
google-cloud-firestore
google-cloud-aiplatform

import functions_framework
import os
# firestore
from google.cloud import firestore
from google.cloud.firestore_v1.vector import Vector
# Vertex AI
import vertexai
from vertexai.language_models import TextEmbeddingModel


# プロジェクト名（環境編酢より取得）
MY_PROJECT_ID = os.environ.get("GOOGLE_CLOUD_PROJECT") 

# 渡された文字列からベクトル値を算出する
def text_embedding(text: str) -> list:

    # locationは各自のロケーションを設定する
    vertexai.init(project=MY_PROJECT_ID, location="asia-northeast1") 

　　# 現在のベクトル算出のための最新AIが「textembedding-gecko@003」のためこちらを利用
    model = TextEmbeddingModel.from_pretrained("textembedding-gecko@003")
    embeddings = model.get_embeddings([text])
    for embedding in embeddings:
        vector = embedding.values

    return Vector(vector)


# メイン処理
# （関数名は適当です）
@functions_framework.http
def hello_http(request):

    # リクエストから記事の要約（description）を取得しています
    request_json = request.get_json(silent=True)
    request_args = request.args

    if request_json and 'description' in request_json:
        description = request_json['description']
    elif request_args and 'description' in request_args:
        description = request_args['description']
    else:
        description = 'World'

    # Firestoreクライアントの初期化
    firestore_client = firestore.Client(project=MY_PROJECT_ID)
    # コレクションの参照（コレクション名は任意（コレクションが無い場合は事前に作成してください））
    collection = firestore_client.collection("article_collection")

    # embeddingを計算
    embedding_vector = text_embedding(description)

    # Firestoreに追加するドキュメントを準備
    doc = {
        "description": description,
        "embedding_field": embedding_vector
    }
    # ドキュメントの追加
    collection.add(doc)

    return 'OK!'

curl -m 70 -X POST https://asia-northeast1-python-tool-001.cloudfunctions.net/vector_chenge \
  -H "Authorization: bearer $(gcloud auth print-identity-token)" \
  -H "Content-Type: application/json" \
  -d '{ "description": "<任意の文字列>"}'

gcloud alpha firestore indexes composite create \
  --collection-group=article_collection \
  --query-scope=COLLECTION \
  --field-config field-path=embedding_field,vector-config='{"dimension":"768", "flat": "{}"}' \
  --database=<データベースID>

import functions_framework
import os
# firestore
from google.cloud import firestore
from google.cloud.firestore_v1.vector import Vector
from google.cloud.firestore_v1.base_vector_query import DistanceMeasure
# Vertex AI
import vertexai
from vertexai.language_models import TextEmbeddingModel


# プロジェクト名（環境編酢より取得）
MY_PROJECT_ID = os.environ.get("GOOGLE_CLOUD_PROJECT") 

# 渡された文字列からベクトル値を算出する
def text_embedding(text: str) -> list:

    # locationは各自のロケーションを設定する
    vertexai.init(project=MY_PROJECT_ID, location="asia-northeast1") 

　　# 現在のベクトル算出のための最新AIが「textembedding-gecko@003」のためこちらを利用
    model = TextEmbeddingModel.from_pretrained("textembedding-gecko@003")
    embeddings = model.get_embeddings([text])
    for embedding in embeddings:
        vector = embedding.values

    return Vector(vector)


# メイン処理
# （関数名は適当です）
@functions_framework.http
def hello_http(request):

    # リクエストから記事の要約（description）を取得しています
    request_json = request.get_json(silent=True)
    request_args = request.args

    if request_json and 'target' in request_json:
        target = request_json['target']
    elif request_args and 'target' in request_args:
        target = request_args['target']
    else:
        target = 'World'

    # Firestoreクライアントの初期化
    firestore_client = firestore.Client(project=MY_PROJECT_ID)
    # コレクションの参照
    collection = firestore_client.collection("article_collection")

    # embeddingを計算
    embedding_vector = text_embedding(target)

    # ベクトル検索の実施
    docs = collection.find_nearest(
        vector_field="embedding_field",
        query_vector=embedding_vector,
        distance_measure=DistanceMeasure.COSINE,
        limit=3
    ).get()

    # 表形式（ここでは文字列形式）での出力用
    output = "Description \n"
    output += "-" * 50 + "\n"
    
    # ベクトル検索で取得したドキュメントの内容を出力
    for doc in docs:
        doc_data = doc.to_dict()
        description = doc_data.get("description", "No description")
        # ドキュメントの内容を文字列に追加
        output += f"{description[:100]} \n"
    
    return output

curl -m 70 -X POST https://asia-northeast1-python-tool-001.cloudfunctions.net/vector_search \
-H "Authorization: bearer $(gcloud auth print-identity-token)" \
-H "Content-Type: application/json" \
-d '{
  "target": "Riverpodについて"
}'

Description 
--------------------------------------------------
Riverpodとは？Flutterの一番メジャーな状態管理を紹介！！ 以前紹介した「StatefulWidget」も状態管理を行う機能の１つですが、 複数の画面や機能を持つアプリを実装する場合、管理 
Flutterとは？？Flutterの概要を説明 「Flutter」について、"モバイルアプリを開発する場合に便利！"という認識は あるかもしれませんが、何が便利で何が人気になっているのでしょうか？ 
アプリ開発でよく聞くMVVMとは何か？ MVVM（Model-View-ViewModel）とは、 アプリのロジックとUI（ユーザーインターフェース）を分けて、 開発の効率化と保守性の向上を目指したソ