使用 BigQuery 和 Gemini 模型构建 AI 赋能的车辆交易平台

1. 简介

在此 Codelab 中，您将为在线车辆交易平台“Cymbal Autos”构建后端并部署前端。您将使用 BigQuery 和 Gemini Enterprise Agent Platform 上的 Gemini 模型来检查车辆照片、使用 BigQuery ML 预测价格、使用向量嵌入检测欺诈性商品详情，以及计算综合交易得分。最后，您将在部署到 Cloud Run 的 Next.js 前端上显示这些数据洞见。

您将执行的操作

• 使用 ObjectRef 将 BigQuery 连接到非结构化的 Cloud Storage 图片
• 使用 BigQuery 和 Gemini 模型从照片中提取车辆属性
• 通过使用 BigQuery ML 训练 XGBoost 回归模型来预测公平市场价格
• 通过嵌入车辆说明并执行 VECTOR_SEARCH 来识别潜在的欺诈性信息和可信的信息
• 使用 AI.SCORE 根据卖家的商品说明纳入商品状况信号，为每条商品详情计算综合优惠分数
• 导出数据并将 Next.js Marketplace 应用部署到 Google Cloud Run

所需条件

• 网络浏览器，例如 Chrome
• 启用了结算功能的 Google Cloud 项目
• 基本熟悉 SQL、Python 和 Google Cloud
• 有足够的 IAM 权限来启用 API、创建资源和分配权限（例如 Project Owner）

本 Codelab 面向中级开发者。

本 Codelab 中创建的资源费用应低于 5 美元。

2. 准备工作

创建 Google Cloud 项目

1. 在 Google Cloud 控制台的项目选择器页面上，选择或创建一个 Google Cloud 项目。
2. 确保您的 Cloud 项目已启用结算功能。了解如何检查项目是否已启用结算功能。

启动 Cloud Shell

您将使用 Google Cloud Shell 下载代码、运行设置脚本并部署应用。

1. 点击 Google Cloud 控制台顶部的激活 Cloud Shell。

2. 连接到 Cloud Shell 后，请对您的会话进行身份验证，以确保您的应用可以访问 Google Cloud API。按照提示为 Cloud Shell 授权：

gcloud auth application-default login

3. 设置您的 Google Cloud 项目 ID 和 Google Cloud Storage 存储分区的唯一名称（您将在其中存储原始数据）：

export PROJECT_ID=$(gcloud config get-value project)
export USER_BUCKET="cymbal-autos-${PROJECT_ID}"

gcloud config set project $PROJECT_ID

您应该会看到如下所示的消息：

Your active configuration is: [cloudshell-####]
Updated property [core/project]

启用 API

在 Cloud Shell 中运行以下命令，以启用此 Codelab 所需的所有 API：

gcloud services enable \
  aiplatform.googleapis.com \
  artifactregistry.googleapis.com \
  bigquery.googleapis.com \
  bigqueryconnection.googleapis.com \
  cloudbuild.googleapis.com \
  run.googleapis.com

成功执行后，您应该会看到类似于以下内容的消息：

Operation "operations/..." finished successfully.

3. 获取代码和设置数据

首先，下载演示资源并配置环境变量。

1. 在 Cloud Shell 中，克隆 devrel-demos 代码库并前往项目目录：

git clone https://github.com/GoogleCloudPlatform/devrel-demos.git
cd devrel-demos/data-analytics/cymbal-autos-multimodal

请务必在此克隆的目录中运行所有后续的 gcloud 和 bq 命令。

2. 运行脚本以将数据复制到您的环境中。此脚本会将本地代码库数据集同步到您的个人 Cloud Storage 存储分区，并从公共存储分区中提取车辆图片：

chmod +x scripts/setup/*.sh
./scripts/setup/00_copy_data.sh

之后，您应该会看到类似如下内容的消息：

Average throughput: 87.8MiB/s
Data copy complete!

3. 接下来，设置 BigQuery Cloud 资源连接。如需分析 Cloud Storage 中的非结构化图片并直接从 SQL 查询中调用 Agent Platform 模型，BigQuery 必须将 IAM 权限委托给底层服务账号。此脚本会创建该安全连接，并向其授予必要的 Vertex AI User 和 Service Usage Consumer 角色（这需要大约一分钟的时间才能传播）：

./scripts/setup/01_setup_api_connection.sh

您应会看到如下所示的消息：

Environment setup complete! Your BigQuery connection is ready.

4. 最后，创建初始 BigQuery 数据集并加载原始表格数据。这会创建 model_dev 数据集并填充起始表，从而在您编写任何机器学习查询之前奠定基础：

./scripts/setup/02_load_to_bq.sh

您应会看到如下所示的消息：

=================================================================
BigQuery load complete!
=================================================================

4. 多模态视觉提取

在对车辆商品详情进行评分之前，您需要从数百张原始照片中提取结构化数据（例如颜色、车身样式或外观损坏情况）。通过利用 ObjectRef 函数和 Agent 平台中托管的 Gemini 模型，您无需移动任何文件或编写复杂的数据流水线即可生成这些功能。此提取功能直接为前端应用中的 ✨ 视觉条件徽章提供支持。

1. 在新浏览器标签页中打开 BigQuery Studio。
2. 点击 + 编写新查询按钮。在此 Codelab 中，您将使用 SQL 编辑器与 SQL 代码进行交互。
3. 在构建机器学习提取器之前，您可以快速查看原始图片。运行以下查询，以查看存储在 Google Cloud Storage 中的每个房源的图片 URI 数组：

SELECT auction_id, item_name, description, images 
FROM `model_dev.vehicle_metadata` LIMIT 5;

4. 现在，在 BigQuery Studio SQL 编辑器中，粘贴以下 SQL 以创建包含 image_ref 列的新表。点击运行。

CREATE OR REPLACE TABLE `model_dev.vehicle_multimodal` AS
SELECT 
  *,
  ARRAY(
    SELECT OBJ.FETCH_METADATA(OBJ.MAKE_REF(uri, 'us.conn')) 
    FROM UNNEST(images) AS uri
  ) AS image_ref
FROM `model_dev.vehicle_metadata`;

什么是 OBJ.MAKE_REF？借助 OBJ.MAKE_REF 函数，您可以直接从 BigQuery 表中引用 Cloud Storage 中的对象。BigQuery 会将其视为另一个可以操作或用于推理的列。

5. 查看您刚刚创建的新 image_ref ObjectRef 列。新表现在包含一个 ObjectRef 列，该列具有对映像本身执行操作的权限。运行以下查询即可查看：

SELECT auction_id, item_name, description, image_ref 
FROM `model_dev.vehicle_multimodal` LIMIT 5;

6. 现在，您将使用 AI.GENERATE 和 AI.CLASSIFY 来分析图片。AI.GENERATE 通过提示 Gemini 提取状况得分和一句损伤摘要，而 AI.CLASSIFY 则严格对车身样式和颜色进行分类。

SQL 中的提示工程：请注意以下查询中提供的字符串 output_schema => 'condition INT64, description_summary STRING'。这会告知 Gemini 模型返回 BigQuery 可原生转换为类型化列的结构化 JSON。

执行以下查询，将这些数据洞见提取到专用特征表中。此过程预计需要大约 3 分钟才能完成。

CREATE OR REPLACE TABLE `model_dev.vehicle_vision_features` AS
WITH generated_data AS (
   SELECT
   auction_id,
   AI.GENERATE(
     prompt => ('Rate the condition of this car on a scale from 0-100. Output a 1 sentence description of any glaring red flags', image_ref),
     output_schema => 'condition INT64, description_summary STRING'
   ).* EXCEPT(full_response,status)
 FROM
   `model_dev.vehicle_multimodal`
),

-- Object-centric Classifications
classified_data AS (
 SELECT
   auction_id,
   AI.CLASSIFY(
     ('What type of automobile is this?', image_ref[0]),
     categories => ['Truck', 'Sedan', 'SUV']) AS body_style,
   AI.CLASSIFY(
     ('Color of the exterior of the automobile', image_ref[0]),
     categories => ['Black', 'White', 'Silver', 'Gray', 'Red', 'Blue', 'Brown', 'Green', 'Beige', 'Gold']) AS color,
   AI.CLASSIFY(
     ('Color of the interior of the automobile', image_ref[0]),
     categories => ['Black', 'Gray', 'Beige', 'Tan', 'Brown', 'White', 'Red']) AS interior
 FROM `model_dev.vehicle_multimodal`
)

-- Join the AI insights back together into the final feature table
SELECT
 g.auction_id,
 g.condition,
 g.description_summary,
 c.body_style,
 c.color,
 c.interior
FROM generated_data g
JOIN classified_data c ON g.auction_id = c.auction_id;

7. 如需自行查看生成的特征，请运行以下查询，或直接查看下面的屏幕截图：

SELECT auction_id, condition, description_summary, body_style, color, interior FROM `model_dev.vehicle_vision_features` LIMIT 5;

本部分总结：您直接从 BigQuery 访问了原始图片，并使用 Gemini 模型提取了结构化视觉特征，而无需移动任何文件。

5. 使用 XGBoost 进行预测性定价

若要计算车辆是否真正划算，需要有可靠的公平市场价值基准。您无需将数据提取到本地脚本或笔记本中来训练模型，而是可以直接在 BigQuery 中使用标准 SQL 训练 XGBoost 模型。此价格预测会驱动前端应用中的 📈 公允市场价值逻辑。

1. 返回到 BigQuery Studio 标签页。
2. 首先，我们来看看训练数据集。与有效的车辆商品详情不同，此 synthetic_cars 表包含 10 万条历史销售记录，将用于训练模型。运行以下快速查询即可查看：

SELECT
  *
FROM
  `model_dev.synthetic_cars`
LIMIT 10;

3. 现在，执行以下 SQL 来训练 XGBoost 回归模型。此模型会从这 10 万条历史记录中学习里程、年份、品牌和外观状况等属性如何影响价格：

CREATE OR REPLACE MODEL `model_dev.car_price_model`
OPTIONS(
  MODEL_TYPE = 'BOOSTED_TREE_REGRESSOR',
  INPUT_LABEL_COLS = ['selling_price'],
  MAX_ITERATIONS = 15,
  TREE_METHOD = 'HIST'
) AS
SELECT
  * EXCEPT(vin, sale_date, market_value, seller)
FROM
  `model_dev.synthetic_cars`;

喝杯咖啡：在 BigQuery 中训练此 XGBoost 模型通常需要大约 5 到 7 分钟才能完成。

4. 在预测有效且正在进行的车辆商品详情的价格之前，您必须将所有相关输入特征收集到一处。运行以下 SQL，将结构化车辆元数据与您刚刚生成的视觉提取特征合并：

CREATE OR REPLACE TABLE `model_dev.vehicle_prediction_features` AS
SELECT
  meta.auction_id,
  meta.model_year,
  meta.make,
  meta.model,
  meta.mileage,
  meta.transmission_type,
  meta.state,
  COALESCE(vision.body_style, 'Unknown') AS body_style,
  COALESCE(vision.condition, 50) AS condition,
  COALESCE(meta.color, vision.color, 'Unknown') AS color,
  COALESCE(vision.interior, 'Unknown') AS interior
FROM `model_dev.vehicle_metadata` meta
LEFT JOIN `model_dev.vehicle_vision_features` vision 
  ON meta.auction_id = vision.auction_id;

5. 最后，预测每条正在进行的车辆商品详情的公允市场价值。执行以下查询，将汇总的特征馈送到新训练的模型中，并将数值输出保存到安全的预测表中：

CREATE OR REPLACE TABLE `model_dev.vehicle_price_predictions` AS
SELECT 
  auction_id,
  ROUND(predicted_selling_price, 2) AS predicted_market_value
FROM ML.PREDICT(
  MODEL `model_dev.car_price_model`,
  (SELECT * FROM `model_dev.vehicle_prediction_features`)
);

什么是 ML.PREDICT？ML.PREDICT 函数将训练好的模型应用于新数据，以生成预测结果。通过直接在 SQL 中运行此函数，BigQuery 会自动在整个数据集中扩展推理计算，从而避免维护外部推理端点的开销。

6. 现在，验证模型的输出。运行以下快速查询，预览有效车辆商品详情的预测市场价值：

SELECT * FROM `model_dev.vehicle_price_predictions` LIMIT 5;

本部分总结：您使用 10 万个交易样本训练了一个 XGBoost 回归模型，并运行了批量推理，以预测数据集中每个有效车辆信息的公平市场价值。

6. 语义嵌入向量与真实性检测

在本部分中，您将执行两个不同的嵌入流水线，以针对车辆交易平台启用智能功能：

1. 多模态图片搜索：将原始车辆照片转换为向量空间，以便用户使用自然语言（例如“可靠的作业卡车”）进行搜索。
2. 文本嵌入和相似度搜索：将书面车辆描述转换为向量嵌入，以便使用 VECTOR_SEARCH 将有效商品详情与已知的潜在诈骗或发烧友个人资料进行比较。此函数用于计算买家在应用中看到的 🔍 Authenticity Score。

什么是 VECTOR_SEARCH？VECTOR_SEARCH 函数用于计算高维向量之间的语义距离。它直接在 GoogleSQL 查询中执行近似最近邻相似度搜索。

1. 首先，您需要为车辆商品详情生成多模态嵌入。借助 gemini-embedding-2-preview 模型，您可以将图片和文本输入到完全相同的嵌入中。虽然此模型完全能够同时处理多种模态，但在本例中，我们仅嵌入车辆图片。这为前端应用提供了“语义搜索”栏，让买家能够使用自然语言（例如“可靠的皮卡”）快速检索匹配的商品详情。运行以下查询，使用 AI.EMBED 生成多模态向量：

CREATE OR REPLACE TABLE `model_dev.vehicle_images_embedded` AS
SELECT
  auction_id,
  AI.EMBED(
    STRUCT(image_ref),
    endpoint => 'gemini-embedding-2-preview').result AS multimodal_embedding
FROM `model_dev.vehicle_multimodal`
WHERE ARRAY_LENGTH(image_ref) > 0;

2. 接下来，您将检查之前加载的风险概况数据。请注意，其中既包含已知的诈骗类型，也包含合法的发烧友示例商品详情。运行此查询以查看基准配置文件：

SELECT profile_id, profile_type, description
FROM `model_dev.seller_risk_profiles`;

3. 现在，您将把这些原始风险说明转换为向量嵌入。您可以使用专门的文本嵌入模型 (text-embedding-005) 来严格评估您刚刚预览的书面语言。粘贴以下 SQL，然后点击“运行”以嵌入基准配置文件：

CREATE OR REPLACE TABLE `model_dev.seller_risk_profiles_embedded` AS
SELECT 
  profile_id, 
  description AS content, 
  profile_type, 
  AI.EMBED(description, endpoint => 'text-embedding-005').result AS text_embedding
FROM `model_dev.seller_risk_profiles`;

4. 接下来，为实际的实时车辆商品目录生成可比较的嵌入。运行以下查询，将每辆车的原始 HTML 说明转换为向量空间，以便与基准配置文件进行比较：

CREATE OR REPLACE TABLE `model_dev.vehicle_descriptions_embedded` AS
SELECT 
  auction_id,
  description AS content,
  AI.EMBED(description, endpoint => 'text-embedding-005').result AS text_embedding
FROM `model_dev.vehicle_metadata`
WHERE description IS NOT NULL;

5. 最后，执行向量搜索，计算实时商品详情与基准个人资料之间的语义距离。运行以下 SQL 以执行映射。数学距离越小，表示相应房源与已知的欺骗手段群组高度相似；距离越大，表示相应房源的描述越合法。

CREATE OR REPLACE TABLE `model_dev.vehicle_authenticity_scores` AS
SELECT 
  scam_search.query.auction_id,
  CAST(
    GREATEST(0.0, LEAST(100.0, ROUND((MIN(scam_search.distance) - 0.33) / 0.12 * 100.0))) 
    AS INT64
  ) AS authenticity_score
FROM VECTOR_SEARCH(
  TABLE `model_dev.seller_risk_profiles_embedded`,
  'text_embedding',
  (
      SELECT text_embedding, auction_id 
      FROM `model_dev.vehicle_descriptions_embedded`
  ),
  top_k => 15,
  distance_type => 'COSINE'
) AS scam_search
WHERE scam_search.base.profile_type = 'scam'
GROUP BY 1;

为什么要缩放数学运算？您可能会注意到计算结果 (MIN(scam_search.distance) - 0.33) / 0.12 * 100.0。由于所有商品详情描述的都是非常相似的实物商品（汽车），因此它们的基本余弦距离自然会聚集在 0.33 和 0.45 之间。该查询通过数学方式将微小的 0.12 方差拉伸为干净的 0-100 authenticity_score，这样前端应用就更容易处理。

此表的内容可能如下所示：

本部分总结：您为前端搜索栏生成了多模态嵌入，并直接在 BigQuery 中使用向量搜索功能，根据已知的诈骗个人资料评估原始 HTML 文本商品详情。

7. 生成式交易评分

现在，您已通过多种不同的机器学习技术生成结构化数据集，所有这些技术都完全在 BigQuery 中协调运行：视觉提取、用于预测公允市场价值的 XGBoost 模型和向量搜索嵌入。

最后一步是将这些 AI 信号合并为一个整合视图，作为前端应用的最终交易得分。

1. 首先，将原始元数据与 AI 提取的视觉特征、预测性价格输出和语义真实性得分联接起来。执行以下 SQL：

CREATE OR REPLACE TABLE `model_dev.vehicle_features_enhanced` AS
SELECT
  meta.auction_id,
  meta.item_name,
  meta.model_year,
  meta.make,
  meta.model,
  meta.mileage,
  meta.current_bid,
  meta.listing_url,
  meta.transmission_type,
  meta.description,
  meta.state,
  COALESCE(vision.body_style, 'Unknown') AS body_style,
  COALESCE(vision.condition, 50) AS condition,
  COALESCE(meta.color, vision.color, 'Unknown') AS color,
  COALESCE(vision.interior, 'Unknown') AS interior,
  COALESCE(scam.authenticity_score, 100) AS authenticity_score,
  vision.description_summary,
  prices.predicted_market_value
FROM `model_dev.vehicle_metadata` meta
LEFT JOIN `model_dev.vehicle_vision_features` vision 
  ON meta.auction_id = vision.auction_id
LEFT JOIN `model_dev.vehicle_price_predictions` prices
  ON meta.auction_id = prices.auction_id
LEFT JOIN `model_dev.vehicle_authenticity_scores` scam
  ON meta.auction_id = scam.auction_id;

2. 接下来，通过组合四种不同的 AI 信号来计算 0-100 分的特惠得分。此公式可平衡价值、质量和风险，从而显示最佳房源：
   • 价格得分（40%）：衡量与公平市场价值相比的节省金额。
   • 视觉分数（30%）：之前照片分析得出的数据洞见。
   • 真实性得分（15%）：欺诈风险评估。
   • 商品状况得分（15%）：通过 AI.SCORE 根据卖家的商品说明实时推断得出。
   执行以下查询：

CREATE OR REPLACE TABLE `model_dev.marketplace_listings` AS
WITH score_elements AS (
  SELECT 
    *,
    -- 1. SELLER DESCRIPTION SCORE (use AI.SCORE on seller description)
      AI.SCORE(
        FORMAT("Rate the vehicle condition (0-100) based ONLY on this text: '%s'", description)
    ) AS description_score,

    -- 2. PRICE SCORE
    -- Higher impact for underpricing, lower impact for overpricing.
    CAST(LEAST(100.0, GREATEST(0.0, 
      75.0 + (
        IF((predicted_market_value - current_bid) > 0, 
           ((predicted_market_value - current_bid) / NULLIF(predicted_market_value, 0)) * 250.0,
           ((predicted_market_value - current_bid) / NULLIF(predicted_market_value, 0)) * 40.0
        )
      )
    )) AS INT64) AS price_score
  FROM `model_dev.vehicle_features_enhanced`
),
final_calcs AS (
  SELECT 
    *,
    
    -- 3. Combine scores: Price (40%), Condition (30%), Description (15%), Authenticity (15%)
    ROUND(
      (
        (price_score * 0.40) + 
        (CAST(condition AS INT64) * 0.30) + 
        (COALESCE(description_score, 50) * 0.15) + 
        (CAST(authenticity_score AS INT64) * 0.15)
      )
      -- Authenticity penalty for scores below 50.
      * (IF(CAST(authenticity_score AS INT64) < 50, 0.20, 1.05)) 
    ) AS raw_score
  FROM score_elements
)
SELECT 
  * EXCEPT(raw_score),
  
  -- 4. Set floor values: low authenticity scores drop to 10; others floor at 35.
  CAST(GREATEST(
    (IF(CAST(authenticity_score AS INT64) < 50, 10, 35)), 
    LEAST(100, raw_score)
  ) AS INT64) AS deal_score
FROM final_calcs;

为了确保建议的质量，该查询应用了两个特定的逻辑层：

1. 真实性门控：如果某个房源被标记为“高风险”（得分低于 50），系统会自动将总交易得分降低 80%，以防止可疑房源获得推广。
2. “隐藏的宝藏”优化：该公式使用分段逻辑来积极奖励节省的费用，同时对加价更加宽容，确保即使是价格过高但车况极佳的车辆也能获得“一般”排名。

注意：结果会以表的形式具体化，以防止在每次前端网页加载时重新运行 LLM。

生成的表 model_dev.marketplace_listings 包含 deal_score 等字段，以及 price_score 和 authenticity_score。

3. 如需自行查看交易得分，请运行以下查询，或直接查看下面的屏幕截图：

SELECT item_name, model_year, authenticity_score, predicted_market_value, price_score, deal_score FROM `model_dev.marketplace_listings`

本部分总结：您将预测性价格、视觉特征和商品真伪度分数与卖家的说明相结合，为每条商品详情计算出一个“超值指数”。

8. 部署前端应用

现在，您可以启动前端应用了。这样，您就可以最终搜索车辆商品目录，并与您刚刚构建的 AI 生成的分析洞见（例如“超值指数”）互动。

将 AI 得分导出到前端

React 前端依赖于本地 JSON 载荷，以实现快速的初始网页加载。为了支持该市场，请从 BigQuery 中提取最终的生成式交易得分，然后将其注入回 Next.js 项目。

1. 确保您的环境已准备就绪。如果 Cloud Shell 会话超时或您导航到了其他文件夹，请运行以下命令以返回到项目根目录并恢复环境变量：

cd ~/devrel-demos/data-analytics/cymbal-autos-multimodal && \
export PROJECT_ID=$(gcloud config get-value project) && \
export USER_BUCKET="cymbal-autos-${PROJECT_ID}"

2. 运行提供的 Python 脚本，查询最终的 BigQuery 视图，并将新的交易得分合并到应用的基础数据存储区中：

python3 scripts/setup/08_export_frontend_data.py

您会收到一则确认消息，内容如下：

💾 Updated local file: app/src/data/cars.json

将应用部署到 Cloud Run

成功丰富数据后，您可以使用 Cloud Run 将 Next.js 前端应用部署到公共互联网。它具有现代化的界面，提供特惠评分、交互式图片轮播界面，以及可实时查询 BigQuery 的动态混合语义搜索栏。

1. 在 Cloud Shell 中，前往克隆的代码库的 app/ 目录。这一点至关重要 - 如果停留在根目录中，构建将会失败。

cd app

2. 使用 Cloud Run 将应用部署为无服务器容器。该命令将 PROJECT_ID 作为环境变量传递，以便 Next.js API 知道要查询哪个 BigQuery 项目：

gcloud run deploy cymbal-autos-frontend \
  --source . \
  --region us-west1 \
  --allow-unauthenticated \
  --min-instances 1 \
  --set-env-vars PROJECT_ID=$PROJECT_ID \
  --project $PROJECT_ID

传递 --min-instances 1 可防止冷启动。它会保持 Next.js API 路由处于活跃状态，以便在查询 BigQuery 时，语义搜索栏立即做出响应。

3. 部署完成后，终端会输出一个安全的服务网址。类似于以下内容：

Service URL: https://cymbal-autos-frontend-[YOUR-PROJECT-NUMBER].us-west1.run.app/

对于可用于生产用途的部署，强烈建议您使用 Identity-Aware Proxy (IAP) 保护 Cloud Run 服务，以确保只有经过授权的用户才能访问您的应用。这样一来，您便可以添加一个基于身份的中央安全层，用于验证每个请求的用户身份和上下文，而无需对应用代码进行复杂的更改。

9. 探索 Cymbal Autos 应用

将前端容器推送到 Cloud Run 后，就可以测试应用了。

注意：由于“超值程度”依赖于来自多模态模型的信号，并且模拟车辆详情数据具有一定程度的程序化生成，因此您的具体超值程度和搜索结果可能与下面的屏幕截图略有不同。

1. 访问网站：打开 Cloud Run 返回的安全服务网址。

2. 执行语义搜索：尝试搜索抽象概念，例如“一款可靠的拉货工作卡车，可用于越野”。Next.js 应用会将原始文本转换为多模态向量嵌入，并针对 BigQuery 实时触发 VECTOR_SEARCH，将您的想法与车辆生态系统进行匹配。

注意：列表按语义相似度排序。

3. 查看结果：BigQuery 计算了抽象想法与车辆功能之间的确切数学距离，以返回最接近的语义匹配项。

4. 深入了解详情：点击任意车辆即可打开其完整的商品详情资料。
5. 检查 AI 信号：滚动浏览详细信息，查看您之前在本实验中生成的原始机器学习得分：
   • 📈 公允市场价值：XGBoost 模型预测的基准价格。
   • ✨ 视觉状况：由 Gemini 模型提取的实物损坏程度评级。
   • 🔍 真实性得分：真实性向量指标可将合法卖家与潜在的诈骗者区分开来。

10. 清理

为避免因本 Codelab 中使用的资源而持续向您的 Google Cloud 账号收取费用，您可以删除为本 Codelab 创建的整个 Google Cloud 项目，也可以执行以下自动拆解脚本。

1. 在 Cloud Shell 终端中，返回到包含目录的根目录：

cd ..

2. 运行以下清理脚本。此操作会清空您的 Google Cloud Storage 存储分区，舍弃 model_dev BigQuery 数据集，删除 BigQuery 连接，并删除 Cloud Run 服务。

chmod +x scripts/cleanup/teardown.sh
./scripts/cleanup/teardown.sh

11. 恭喜

恭喜！您已成功构建智能车辆市场。您使用 BigQuery 将非结构化数据分析、预测性建模和 AI 集成统一到一个工作区中。

您学到的内容

• 如何使用 ObjectRef 将 BigQuery 连接到非结构化的 Cloud Storage 图片
• 如何使用 BigQuery 和 AI.GENERATE 和 AI.CLASSIFY 等 Gemini 模型从照片中提取车辆属性
• 如何使用 BigQuery ML 预测车辆价格
• 如何通过嵌入车辆说明和执行 VECTOR_SEARCH 来识别潜在的欺诈性商品详情
• 如何使用 AI.SCORE 实时评估非结构化数据，并将结果纳入全面的交易得分
• 如何导出数据并将 Next.js Marketplace 应用部署到 Cloud Run

后续步骤

• 探索 BigQuery 中提供的全方位生成式 AI 函数
• 详细了解如何使用 GoogleSQL 创建预测模型