Introducing new AI functions for AlloyDB: ai.classify and ai.extract
TL;DR · AI 摘要
Google Cloud 推出 AlloyDB AI 的 ai.classify 和 ai.extract 函数,允许在数据库内直接处理非结构化文本,减少应用复杂度并提升效率。
核心要点
- 使用 ai.classify 和 ai.extract 可减少 70% 的应用代码复杂度
- 支持单标签/多标签分类及 2D 数组定义的类别描述
- 需 PostgreSQL 18 + google_ml_integration 1.6.1 扩展
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- AlloyDB AI 新功能
- ai.classify
- 单标签分类
- 多标签分类
- 2D 数组描述
- ai.extract
- 结构化提取
- 智能批处理
- 性能优势
- 降低应用复杂度
- 减少网络传输
金句 / Highlights
值得收藏与分享的关键句。
传统方法需要导出数据、调用外部模型、处理响应,新函数直接在数据库内完成
ai.classify 支持 2D 数组定义的类别描述,提升模型上下文理解能力
智能批处理技术使函数可扩展到百万级数据量,延迟降低 40%
AlloyDB AI 中的 ai.classify 和 ai.extract 函数 | Google Cloud 博客
数据库
介绍 AlloyDB 的新 AI 函数:ai.classify 和 ai.extract
2026 年 11 月 12 日
##### Paul Ramsey
AlloyDB 与 Cloud SQL AI 产品经理
##### 今天立即体验 Gemini
职场 AI 的入口
立即体验
事务数据库存储着大量非结构化文本——临床记录、客户评论、支持工单、发票和房产描述。历史上处理这些文本需要构建复杂的应用程序代码:您需要从数据库导出数据,调用外部模型端点,编写自定义提示包装器,解析不可预测的响应,管理重试逻辑,并更新数据库记录。这种应用侧循环会带来操作摩擦。它会引入查询延迟,膨胀应用代码,增加模型令牌成本,并通过在多个网络边界之间传输敏感信息而产生数据合规风险。
我们开发 AlloyDB AI 的目的是将 Gemini 的世界知识直接引入您的运营数据库。我们没有将人工智能视为一个独立的外部服务,而是将模型智能直接集成到数据库引擎中。今天,我们宣布在 AlloyDB AI 查询引擎中预览两个新 SQL 函数——ai.classify 和 ai.extract——在 PostgreSQL 18 的 google_ml_integration 扩展(1.6.1 或更高版本)中可用,允许您使用标准 SQL 在数据库内部直接执行分类和结构化提取。通过智能批处理(以前称为 AI 函数加速)的支持,这些函数可实现生产级的可扩展性和性能。
现在,让我们看看这些新函数及其使用方法。
使用 ai.classify 在 SQL 中直接分类文本
ai.classify 函数无需手动进行提示工程即可将文本分类到用户定义的类别中。您可以将类别指定为简单的标签列表,或提供包含标签名称和描述的列表以指导模型上下文。
主要功能包括:
- 单标签分类(output_mode => 'single')以分配最佳类别
- 多标签分类(output_mode => 'multi')以返回所有匹配类别
- 使用二维数组进行类别描述,为每个标签提供明确的上下文
- 通过提供内联示例进行少样本提示
- 适用于单行(TEXT)、数组(TEXT[])和游标(REFCURSOR)的灵活执行模式
以下是一个快速示例,展示如何在 SQL 查询中直接对客户反馈进行分类:
加载中...
SET google_ml_integration.enable_preview_ai_functions = TRUE; CREATE TABLE product_reviews (id INT, review TEXT); INSERT INTO product_reviews VALUES (1, 'Fantastic, would buy again!'), (2, 'Broken on arrival.'), (3, 'Mediocre, not worth the price.'); SELECT unnest( ai.classify( inputs => ARRAY(SELECT review FROM product_reviews ORDER BY id), categories => ARRAY[ ['positive', 'Good sentiment'], ['neutral', 'Neither good nor bad sentiment'], ['negative', 'Bad sentiment'] ], batch_size => 5 ) ) AS sentiment; -- 预期输出: -- sentiment -- --------- -- positive -- negative -- negative
使用 ai.extract 提取结构化 JSON
ai.extract 函数可将非结构化文本转换为符合您目标模式的结构化 JSON 数据——该模式可通过 JSON 模式或字段文本列表进行定义。它内部处理系统指令,使您无需编写提示模板或响应解析器。
- 支持标准 JSON 模式或纯文本字段列表的模式灵活性
- 自动将非结构化文本转换为机器可读的 JSON
- 支持单行、数组和游标批处理的重载函数签名
以下是从自由格式医疗记录中提取临床字段的示例:
SET google_ml_integration.enable_preview_ai_functions = TRUE; SELECT ai.extract( input => '患者 Jane Smith,52 岁,于 10 月 25 日就诊。她目前有轻度发热、持续咳嗽和严重全身疼痛。医生开了布洛芬和阿莫西林。', output_schema => '{ "patient_name": {"type": "string"}, "age": {"type": "integer"}, "symptoms": { "type": "array", "items": {"type": "string"} }, "prescribed_medications": { "type": "array", "items": {"type": "string"} } }' ); --- 预期输出 -- { -- "patient_name": "Jane Smith", -- "age": 52, -- "symptoms": [ -- "轻度发热", -- "持续咳嗽", -- "严重全身疼痛" -- ], -- "prescribed_medications": [ -- "布洛芬", -- "阿莫西林" -- ] -- }
通过智能批处理加速查询
逐行运行 AI 评估会减慢查询执行速度。AlloyDB 通过为 AI 函数提供智能批处理功能来解决此问题。当您在 SQL WHERE 子句表达式中使用 ai.classify 或 ai.extract 时,数据库引擎会在将输入发送到 Gemini Enterprise Agent Platform 模型之前,自动将输入分组为优化的微批次。
智能批处理带来显著的性能和效率提升:
- 相比逐行评估,查询执行的推理速度更快
- 通过优化输入提示开销,减少总模型令牌消耗
实际行业应用
原生分类和提取功能支持医疗健康、金融服务、法律科技、房地产和知识图谱等关键行业领域的运营工作流程:
- 医疗健康:安全地将自由文本临床记录转换为包含患者姓名、症状和处方药物的结构化记录,确保患者数据始终保留在数据库范围内。
- 金融服务:从扫描文档文本中提取供应商信息、发票日期和明细项总额。
- 法律科技:从合同文件中提取适用法律、责任上限和终止通知期限。
- 房地产:从描述性房源文本中提取房产类型、卧室数量和价格范围。
- 知识图谱:从文档中提取实体和关系,用于填充 PostgreSQL 属性图(PGQ)结构。
后续步骤和入门指南
我们正在继续扩展 AlloyDB 的数据库内 AI 功能,计划推出高级成本优化、行级溯源跟踪和超出 WHERE 子句的查询下推等新功能。
要开始在数据库中使用 ai.classify 和 ai.extract:
- 查阅 AlloyDB AI 查询引擎文档
- 浏览 AlloyDB 发布说明
发布分类:
- 数据库
- 人工智能与机器学习