## 概述

<!-- markdownlint-disable MD032 -->
> [!IMPORTANT]
> 在开始实验之前，请务必阅读以下信息。
> + 本实验仅支持 Chrome 浏览器。
> + 本实验将授予您临时访问 Amazon Bedrock 的权限，以调用必要的模型。请严格遵守实验材料中概述的使用指南，并避免在任何其他情境中使用此访问权限。对于任何导致财务损失的 Amazon Bedrock 权限滥用行为，我们保留追究用户法律责任的权利。

人工智能（AI）是当前的前沿领域，吸引了众多开发者渴望学习。然而，学习过程中常常会遇到一些障碍，例如：

- 缺乏基础的 AI 知识；
- 底层基础设施过于复杂；
- 缺少面向 AI 应用的完整、循序渐进的文档。

为了解决这些问题，我们设计了本实验。通过本实验，你将学习：

- 如何使用 **TiDB Cloud Starter** 作为 AI 应用的数据存储层，加速你的 AI 开发流程；
- 什么是 Embedding 及其能力；
- 获得 Embedding 向量后如何利用它们；
- 如何使用 Hybrid Search 增加额外的召回通道；
- 如何在处理大规模数据时，使用 RAG / GraphRAG 进行数据检索。

### 任务

- **RAG（检索增强生成）**

  - 使用 Amazon Bedrock Embedding 模型进行文本嵌入。
  - 将 Embedding 向量和原始文本存储在 TiDB Cloud Starter 中。
  - 利用 `pytidb` 和 TiDB Cloud Starter 进行向量相似度搜索，检索与用户查询最相关的文本数据。
  - 使用 Amazon Bedrock LLM 生成结果。

- **图像搜索**

  - 使用 Amazon Bedrock Titan Multimodal Embeddings G1 模型对图像进行特征提取，获得 Embedding。
  - 通过 `pytidb` 将 Embedding 向量和原始图像 ID 存储在 TiDB Cloud Starter 中。
  - 利用 `pytidb` 和 TiDB Cloud Starter 进行向量相似度搜索，检索与给定图像特征最相似的图像。

- **Hybrid RAG**

  - 利用 `pytidb` 增加一个额外通道（BM25），以检索更多相关数据。

- **GraphRAG 教程**

  - 在 TiDB Cloud Starter 中预构建的图上进行搜索。
  - 使用图检索与用户查询最相关的文本数据。

> [!TIP]
> 点击 **开始** 启动实验环境。
> 环境准备就绪后，分配给您的动手实践会话的资源将填充实际值，您才可以按照实验指南逐步完成练习。