Informacje o tym ćwiczeniu (w Codelabs)
1. Omówienie
W tym laboratorium utworzysz agenta GenAI, połączysz go z aplikacją Cloud Run i zintegrujesz go z workspace’em Slack.
Czego się nauczysz
Laboratorium składa się z kilku głównych części:
- Wdrażanie aplikacji Cloud Run w celu integracji z interfejsami Gemini API
- Tworzenie i wdrażanie agenta konwersacyjnego
- Integracja agenta z Slackiem
- Konfigurowanie magazynu danych na potrzeby pytań i odpowiedzi dotyczących dokumentów PDF
Wymagania wstępne
- Ten moduł zakłada, że znasz środowiska Cloud Console i Cloud Shell.
2. Konfiguracja i wymagania
Konfiguracja projektu Cloud
- Zaloguj się w konsoli Google Cloud i utwórz nowy projekt lub użyj istniejącego. Jeśli nie masz jeszcze konta Gmail ani Google Workspace, musisz je utworzyć.
- Nazwa projektu to wyświetlana nazwa uczestników tego projektu. Jest to ciąg znaków, którego nie używają interfejsy API Google. Zawsze możesz ją zaktualizować.
- Identyfikator projektu jest niepowtarzalny we wszystkich projektach Google Cloud i nie można go zmienić (po ustawieniu). Konsola Cloud automatycznie generuje unikalny ciąg znaków. Zwykle nie ma znaczenia, jaki to ciąg. W większości laboratoriów z kodem musisz podać identyfikator projektu (zwykle oznaczony jako
PROJECT_ID). Jeśli nie podoba Ci się wygenerowany identyfikator, możesz wygenerować inny losowy. Możesz też spróbować użyć własnego adresu e-mail, aby sprawdzić, czy jest on dostępny. Po wykonaniu tego kroku nie można go zmienić. Pozostanie on na stałe w ramach projektu. - Informacyjnie: istnieje jeszcze 3 wartość, numer projektu, której używają niektóre interfejsy API. Więcej informacji o wszystkich 3 wartościach znajdziesz w dokumentacji.
- Następnie musisz włączyć rozliczenia w konsoli Cloud, aby korzystać z zasobów i interfejsów API Cloud. Przejście przez ten samouczek nie będzie kosztowne. Aby wyłączyć zasoby i uniknąć obciążenia opłatami po zakończeniu samouczka, możesz usunąć utworzone zasoby lub usunąć projekt. Nowi użytkownicy Google Cloud mogą skorzystać z bezpłatnego okresu próbnego, w którym mają do dyspozycji środki w wysokości 300 USD.
Konfiguracja środowiska
Otwórz czat Gemini.
Włączanie Gemini for Google Cloud API:
Kliknij „Start chatting” i wybierz jedno z przykładowych pytań lub wpisz własne prompty, aby je wypróbować.
Prompty do wypróbowania:
- Opisz Cloud Run w 5 kluczowych punktach.
- Jesteś menedżerem produktu Google Cloud Run. Wyjaśnij studentowi, na czym polega Cloud Run, w 5 krótkich punktach.
- Jesteś menedżerem produktu Cloud Run w Google. Wyjaśnij certyfikowanemu deweloperowi Kubernetes, na czym polega Cloud Run, w 5 kluczowych punktach.
- Jesteś menedżerem produktu Cloud Run w Google i chcesz wyjaśnić starszemu deweloperowi, kiedy należy używać Cloud Run, a kiedy GKE. W tym celu przedstawiasz 5 krótkich kluczowych punktów.
Aby dowiedzieć się więcej o pisaniu lepszych promptów, zapoznaj się z przewodnikiem po promptach.
Jak Gemini dla Google Cloud korzysta z Twoich danych
Zobowiązanie Google do ochrony prywatności
Google jako jedna z pierwszych firm w branży opublikowała zobowiązanie do ochrony prywatności w systemach AI/ML, w którym wyraziliśmy przekonanie, że klienci powinni mieć najwyższy poziom bezpieczeństwa i kontroli nad swoimi danymi przechowywanymi w chmurze.
Dane, które przesyłasz i odbierasz
Pytania, które zadajesz Gemini, w tym wszelkie informacje wejściowe lub kod, które przesyłasz do Gemini w celu analizy lub uzupełnienia, nazywamy promptami. Odpowiedzi lub dokończenia kodu, które otrzymujesz od Gemini, nazywane są odpowiedziami. Gemini nie używa Twoich promptów ani swoich odpowiedzi jako danych do trenowania swoich modeli.
Szyfrowanie promptów
Gdy przesyłasz prompty do Gemini, Twoje dane są szyfrowane podczas przesyłania i przekazywane do modelu podstawowego w Gemini.
Dane programu wygenerowane przez Gemini
Gemini jest trenowany na podstawie kodu własnego Google Cloud oraz wybranego kodu innych firm. Ponosisz odpowiedzialność za bezpieczeństwo, testowanie i skuteczność kodu, w tym za uzupełnianie, generowanie i analizowanie kodu przez Gemini.
Dowiedz się więcej o tym, jak Google radzi sobie z Twoimi prośbami.
3. Opcje testowania promptów
Możesz przetestować prompty na kilka sposobów.
Vertex AI Studio jest częścią platformy Vertex AI w Google Cloud, która została zaprojektowana z myślą o uproszczeniu i przyspieszeniu tworzenia oraz stosowania modeli generatywnej AI.
Google AI Studio to internetowe narzędzie do tworzenia prototypów i eksperymentowania z inżynierią promptów oraz interfejsem Gemini API.
- Aplikacja internetowa Gemini (gemini.google.com)
Aplikacja internetowa Google Gemini (gemini.google.com) to narzędzie internetowe, które ułatwia poznawanie i wykorzystywanie potencjału modeli sztucznej inteligencji Gemini od Google.
- aplikację mobilną Google Gemini na Android i aplikację Google na iOS.
4. Kopiowanie repozytorium
Wróć do Google Cloud Console i aktywuj Cloud Shell, klikając ikonę po prawej stronie paska wyszukiwania.
W otwartym terminalu uruchom te polecenia:
git clone https://github.com/GoogleCloudPlatform/genai-for-developers.git
cd genai-for-developers
git checkout slack-agent-jira-lab
Kliknij „Otwórz edytor”.
Użyj elementu menu „File / Open Folder”, aby otworzyć „genai-for-developers”.
Otwórz nowy terminal
5. Utwórz konto usługi
Utwórz nowe konto usługi. Z tego konta usługi będziesz korzystać do wywoływania interfejsu Vertex AI Gemini API z aplikacji Cloud Run.
Skonfiguruj szczegóły projektu, korzystając z szczegółów projektu qwiklabs.
Przykład: qwiklabs-gcp-00-2c10937585bb
gcloud config set project YOUR_QWIKLABS_PROJECT_ID
Utwórz konto usługi i przyznaj mu role.
export LOCATION=us-central1
export PROJECT_ID=$(gcloud config get-value project)
export SERVICE_ACCOUNT_NAME='vertex-client'
export DISPLAY_NAME='Vertex Client'
export KEY_FILE_NAME='vertex-client-key'
gcloud iam service-accounts create $SERVICE_ACCOUNT_NAME --project $PROJECT_ID --display-name "$DISPLAY_NAME"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/aiplatform.admin"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/aiplatform.user"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/cloudbuild.builds.editor"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/artifactregistry.admin"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/storage.admin"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/run.admin"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/secretmanager.secretAccessor"
Jeśli pojawi się pytanie o autoryzację, kliknij „Autoryzuj”, aby kontynuować.
Włącz wymagane usługi, aby korzystać z interfejsów API Vertex AI i czatu Gemini.
gcloud services enable \
generativelanguage.googleapis.com \
aiplatform.googleapis.com \
cloudaicompanion.googleapis.com \
run.googleapis.com \
cloudresourcemanager.googleapis.com
Włącz wymagane usługi, aby korzystać z interfejsów API Vertex AI i czatu Gemini.
gcloud services enable \
artifactregistry.googleapis.com \
cloudbuild.googleapis.com \
runapps.googleapis.com \
workstations.googleapis.com \
servicemanagement.googleapis.com \
secretmanager.googleapis.com \
containerscanning.googleapis.com
Korzystanie z Gemini Code Assist do wyjaśnień kodu
Otwórz plik „devai-api/app/routes.py”, a potem kliknij prawym przyciskiem myszy dowolne miejsce w pliku i w menu kontekstowym wybierz „Gemini Code Assist > Explain this"”.
Przeczytaj wyjaśnienie Gemini dotyczące wybranego pliku.
6. Wdrażanie interfejsu Devai-API w Cloud Run
Sprawdź, czy jesteś we właściwym folderze.
cd ~/genai-for-developers/devai-api
W tym laboratorium postępujemy zgodnie ze sprawdzonymi metodami i używamy usługi Secret Manager do przechowywania wartości klucza dostępu i klucza interfejsu LangChain API w Cloud Run oraz do odwoływania się do nich.
Ustaw zmienne środowiskowe. Uruchom to polecenie bez żadnych zmian.
export JIRA_API_TOKEN=your-jira-token
export JIRA_USERNAME="YOUR-EMAIL"
export JIRA_INSTANCE_URL="https://YOUR-JIRA-PROJECT.atlassian.net"
export JIRA_PROJECT_KEY="YOUR-JIRA-PROJECT-KEY"
export JIRA_CLOUD=true
export GITLAB_PERSONAL_ACCESS_TOKEN=your-gitlab-token
export GITLAB_URL="https://gitlab.com"
export GITLAB_BRANCH="devai"
export GITLAB_BASE_BRANCH="main"
export GITLAB_REPOSITORY="GITLAB-USERID/GITLAB-REPO"
export LANGCHAIN_API_KEY=your-langchain-key
export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_ENDPOINT="https://api.smith.langchain.com"
Utwórz i przechowuj kilka obiektów tajnych w usłudze Secret Manager.
echo -n $JIRA_API_TOKEN | \
gcloud secrets create JIRA_API_TOKEN \
--data-file=-
echo -n $GITLAB_PERSONAL_ACCESS_TOKEN | \
gcloud secrets create GITLAB_PERSONAL_ACCESS_TOKEN \
--data-file=-
echo -n $LANGCHAIN_API_KEY | \
gcloud secrets create LANGCHAIN_API_KEY \
--data-file=-
Wdróż aplikację w Cloud Run.
gcloud run deploy devai-api \
--source=. \
--region="$LOCATION" \
--allow-unauthenticated \
--service-account vertex-client \
--set-env-vars PROJECT_ID="$PROJECT_ID" \
--set-env-vars LOCATION="$LOCATION" \
--set-env-vars GITLAB_URL="$GITLAB_URL" \
--set-env-vars GITLAB_REPOSITORY="$GITLAB_REPOSITORY" \
--set-env-vars GITLAB_BRANCH="$GITLAB_BRANCH" \
--set-env-vars GITLAB_BASE_BRANCH="$GITLAB_BASE_BRANCH" \
--set-env-vars JIRA_USERNAME="$JIRA_USERNAME" \
--set-env-vars JIRA_INSTANCE_URL="$JIRA_INSTANCE_URL" \
--set-env-vars JIRA_PROJECT_KEY="$JIRA_PROJECT_KEY" \
--set-env-vars JIRA_CLOUD="$JIRA_CLOUD" \
--set-env-vars LANGCHAIN_TRACING_V2="$LANGCHAIN_TRACING_V2" \
--update-secrets="LANGCHAIN_API_KEY=LANGCHAIN_API_KEY:latest" \
--update-secrets="GITLAB_PERSONAL_ACCESS_TOKEN=GITLAB_PERSONAL_ACCESS_TOKEN:latest" \
--update-secrets="JIRA_API_TOKEN=JIRA_API_TOKEN:latest" \
--min-instances=1 \
--max-instances=3
Odpowiedź Y: utwórz repozytorium Dockera w Artifact Registry.
Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository named [cloud-run-source-deploy] in
region [us-central1] will be created.
Do you want to continue (Y/n)? y
Poproś Gemini o wyjaśnienie polecenia:
What does this command do?
gcloud run deploy devai-api \
--source=. \
--region="$LOCATION" \
--allow-unauthenticated \
--service-account vertex-client \
--set-env-vars PROJECT_ID="$PROJECT_ID" \
--set-env-vars LOCATION="$LOCATION" \
--set-env-vars GITLAB_URL="$GITLAB_URL" \
--set-env-vars GITLAB_REPOSITORY="$GITLAB_REPOSITORY" \
--set-env-vars GITLAB_BRANCH="$GITLAB_BRANCH" \
--set-env-vars GITLAB_BASE_BRANCH="$GITLAB_BASE_BRANCH" \
--set-env-vars JIRA_USERNAME="$JIRA_USERNAME" \
--set-env-vars JIRA_INSTANCE_URL="$JIRA_INSTANCE_URL" \
--set-env-vars JIRA_PROJECT_KEY="$JIRA_PROJECT_KEY" \
--set-env-vars JIRA_CLOUD="$JIRA_CLOUD" \
--set-env-vars LANGCHAIN_TRACING_V2="$LANGCHAIN_TRACING_V2" \
--update-secrets="LANGCHAIN_API_KEY=LANGCHAIN_API_KEY:latest" \
--update-secrets="GITLAB_PERSONAL_ACCESS_TOKEN=GITLAB_PERSONAL_ACCESS_TOKEN:latest" \
--update-secrets="JIRA_API_TOKEN=JIRA_API_TOKEN:latest" \
--min-instances=1 \
--max-instances=3
Zapoznaj się z procesem gcloud run deploy SERVICE_NAME --source=. poniżej. Więcej informacji
W tle to polecenie używa usług buildpacks i Cloud Build Google Cloud do automatycznego kompilowania obrazów kontenera z Twojego kodu źródłowego bez konieczności instalowania Dockera na komputerze ani konfigurowania pakietów kompilacji ani Cloud Build. Oznacza to, że jedno polecenie opisane powyżej wykonuje to samo, co wymagałoby użycia poleceń gcloud builds submit i gcloud run deploy.
Jeśli podano plik Dockerfile(jak w tym repozytorium), usługa Cloud Build użyje go do kompilowania obrazów kontenera zamiast polegać na pakietach kompilacji, które automatycznie wykrywają i kompilują obrazy kontenera. Więcej informacji o pakietach kompilacji znajdziesz w dokumentacji.
Sprawdź logi Cloud Build w konsoli.
Sprawdź utworzony obraz Dockera w Artifact Registry.
Sprawdź szczegóły instancji Cloud Run w Cloud Console.
Przetestuj punkt końcowy, wykonując polecenie curl.
curl -X POST \
-H "Content-Type: application/json" \
-d '{"prompt": "PROJECT-100"}' \
$(gcloud run services list --filter="(devai-api)" --format="value(URL)")/generate
Odpowiedź będzie mieć format Markdown. Wyświetlanie w trybie podglądu w celu poprawy czytelności.
7. Kreator agentów Vertex AI
Wyszukaj i otwórz „Agent Builder”.
Aktywowanie interfejsów API:
Tworzenie aplikacji z agentem konwersacyjnym:
Włącz interfejs Dialogflow API:
Wybierz projekt:
Kliknij „Utwórz agenta”:
Wybierz „Utwórz własną”.
W polu Nazwa wyświetlana wpisz „Agent” i kliknij „Utwórz”.
Ustaw nazwę scenariusza:
Agent
Ustaw cel:
Help user with questions about JIRA project
Instrukcje dotyczące zestawu:
- Greet the users, then ask how you can help them today.
- Summarize the user's request and ask them to confirm that you understood correctly.
- If necessary, seek clarifying details.
- Thank the user for their business and say goodbye.
Kliknij „Zapisz”:
Przetestuj agenta, korzystając z czatu symulatora po prawej stronie:
Najedź kursorem na ikonę klucza po lewej stronie. Otwórz menu Narzędzia i utwórz nowe narzędzie:
W menu Typ wybierz OpenAPI.
Ustaw nazwę narzędzia:
jira-project-status
Opis zestawu:
Provides JIRA project status
Ustaw schemat (YAML) – zastąp adres URL TWOJEGO CLOUD RUN. Przełącz karty i sprawdź adres URL usługi Cloud Run w konsoli.
openapi: 3.0.0
info:
title: CR API
version: 1.0.0
description: >-
This is the OpenAPI specification of a service.
servers:
- url: 'https://YOUR CLOUD RUN URL'
paths:
/generate:
post:
summary: Request impl
operationId: generate
requestBody:
description: Request impl
required: true
content:
application/json:
schema:
$ref: '#/components/schemas/Prompt'
responses:
'200':
description: Generated
content:
application/json:
schema:
$ref: '#/components/schemas/ProjectStatus'
components:
schemas:
Prompt:
type: object
required:
- prompt
properties:
prompt:
type: string
ProjectStatus:
type: object
required:
- message
properties:
message:
type: string
Zapisz konfigurację narzędzia:
Wróć do konfiguracji agenta, wybierając „Playbooki” w menu po lewej stronie, i zaktualizuj instrukcje korzystania z narzędzia:
Dodaj instrukcje korzystania z nowego narzędzia i kliknij „Zapisz”:
- Use ${TOOL: jira-project-status} to help the user with JIRA project status.
Przejdź na kartę „Przykłady” i dodaj nowy przykład:
Ustaw wyświetlaną nazwę:
jira-project-flow
Za pomocą menu na dole odtwórz rozmowę między użytkownikiem a obsługą klienta:
Przykładowy proces:
Odpowiedź pracownika obsługi klienta: Jaki jest identyfikator projektu?
Dane wejściowe użytkownika: TEST-PROJECT-100
Użycie narzędzia: jira-project-status
Odpowiedź pracownika obsługi klienta: szczegóły stanu projektu.
Aby utworzyć przykład, skorzystaj z poniżej zamieszczonych informacji.
Kliknij Zapisz. Wróć do symulatora czatu i przetestuj przepływ danych. zresetować wszystkie istniejące rozmowy;
Gratulacje! Dzięki zintegrowaniu narzędzi połączonych z interfejsem API wdrożonym w Cloud Run udało Ci się umożliwić wykonywanie działań przez agenta.
Zapoznaj się ze sprawdzonymi metodami dotyczącymi agentów Vertex AI.
Sprawdzanie dostępnych ustawień agenta
- Ustawienia logowania – włączanie Cloud Logging
- Integracja z Git – integracja z Git umożliwia wypychanie i pobieranie agenta z repozytorium Git.
- Wybór modelu generatywnego
- Limity tokenów(wejścia i wyjścia)
Sprawdź ustawienia symulatora agenta:
8. Integracja z Slackiem
Otwórz menu Integracje i kliknij „Połącz” na karcie Slack.
Otwórz link i utwórz nową aplikację Slack na stronie https://api.slack.com/apps.
W sekcji „Plik manifestu” wybierz:
Wybieranie obszaru roboczego do tworzenia aplikacji
Przełącz się na format YAML i wklej ten plik manifestu:
display_information:
name: Agent
description: Agent
background_color: "#1148b8"
features:
app_home:
home_tab_enabled: false
messages_tab_enabled: true
messages_tab_read_only_enabled: false
bot_user:
display_name: Agent
always_online: true
oauth_config:
scopes:
bot:
- app_mentions:read
- chat:write
- im:history
- im:read
- im:write
- incoming-webhook
settings:
event_subscriptions:
request_url: https://dialogflow-slack-4vnhuutqka-uc.a.run.app
bot_events:
- app_mention
- message.im
org_deploy_enabled: false
socket_mode_enabled: false
token_rotation_enabled: false
Kliknij „Utwórz”:
Instalowanie w Workspace:
Wybierz kanał „#general” i kliknij „Zezwól”.
W sekcji „Podstawowe informacje / Dane logowania aplikacji” skopiuj „Podpis tajny” i ustaw go w integracji Agenta z Slackiem jako wartość pola „Token podpisywania”.
Otwórz „OAuth i uprawnienia”, skopiuj „Token OAuth użytkownika bota” i ustaw go w integracji Agenta z Slackiem jako wartość pola „Token dostępu”.
Wypełnij wymagane pola i kliknij „Rozpocznij”.
Wartość „Access Token” (Token dostępu) agenta to „Bot User OAUth Token” (Token autoryzacji użytkownika bota) z Slacka.
Wartość „tokenu podpisywania” agenta to „Signing Secret” (sekret podpisywania) z Slacka.
Skopiuj „URL webhooka” i wróć do konfiguracji aplikacji Slack.
Otwórz sekcję „Subskrypcje zdarzeń” i wklej adres URL.
Zapisz zmiany.
Otwórz „Slack” i dodaj pracownika obsługi klienta, wpisując „@Pracownik obsługi klienta”.
Możesz na przykład dodać aplikację o nazwie „@CX”.
Poproś pracownika obsługi klienta o podsumowanie projektu JIRA.
Gratulacje! Agent został zintegrowany z workspace’iem Slack.
9. Pytania i odpowiedzi dotyczące dokumentów PDF
W tej sekcji opisujemy, jak utworzyć magazyn danych za pomocą dokumentu PDF i połączyć go z agentem, aby umożliwić korzystanie z funkcji pytań i odpowiedzi na podstawie zawartości dokumentu.
Tworzenie zasobnika Cloud Storage
Otwórz Cloud Shell: https://shell.cloud.google.com/
Ustaw nazwę zasobnika, używając ostatnich 5 cyfr projektu GCP. Przykład: pdf-docs-3dw21
BUCKET_NAME=pdf-docs-LAST-5-DIGITS-OF-YOUR-PROJECT
Utwórz zasobnik i prześlij dokument PDF.
gcloud storage buckets create gs://$BUCKET_NAME \
--location=us \
--default-storage-class=STANDARD \
--no-public-access-prevention \
--uniform-bucket-level-access
wget https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf
gsutil cp exec_guide_gen_ai.pdf gs://$BUCKET_NAME
Konfiguracja magazynu danych
Wróć do konsoli agenta i otwórz „Agent”, przewiń w dół i kliknij „+ Data store”.
Użyj tych wartości:
Nazwa narzędzia: pdf-docs
Typ: Data store
Opis: pdf-docs
Kliknij „Save”.
Kliknij „Add data stores” u dołu strony. Następnie kliknij „Create new data store”.
Jako źródło danych wybierz „Cloud Storage”.
Wybierz: Unstructured documents
Wybierz zasobnik lub folder w GCS.
W polu „Lokalizacja magazynu danych” wybierz „us”.
Nazwa typu magazynu danych: „pdf-docs”.
W menu kliknij „Digital parser”.
Włącz zaawansowany podział na fragmenty.
Włącz nagłówki elementów nadrzędnych we fragmentach.
Kliknij „Create”.
Kliknij magazyn danych i sprawdź dokumenty, aktywność i konfigurację przetwarzania.
Importowanie zajmie około 5–10 minut.
Opcje analizowania i dzielenia na części
Możesz kontrolować analizowanie treści na te sposoby:
- Parsowanie cyfrowe. Parser cyfrowy jest domyślnie włączony w przypadku wszystkich typów plików, chyba że zostanie określony inny typ parsera. Parser cyfrowy przetwarza przetworzone dokumenty, jeśli dla magazynu danych nie jest określony inny domyślny parser lub jeśli określony parser nie obsługuje typu pliku przetworzonego dokumentu.
- Analiza OCR w przypadku plików PDF. publiczna wersja przedpremierowa. Jeśli planujesz przesłać zeskanowane pliki PDF lub pliki PDF z tekstem w obrazach, możesz włączyć parsowanie OCR, aby ulepszyć indeksowanie plików PDF. Zapoznaj się z artykułem Informacje o parsowaniu OCR w przypadku plików PDF.
- Parser układu. Jeśli planujesz korzystać z Vertex AI Search do wyszukiwania RAG, włącz parsowanie układu w przypadku plików HTML, PDF lub DOCX. Informacje o tym parsowaniu i sposobie jego włączenia znajdziesz w artykule Podział dokumentów na części w ramach RAG.
Więcej informacji o analizowaniu dokumentów i dzieleniu ich na fragmenty
Konfiguracja narzędzia
Wróć do ekranu konfiguracji narzędzia Agenta i odśwież dostępne magazyny danych.
Wybierz nowo utworzony magazyn danych i kliknij „Confirm”.
Skonfiguruj uziemienie.
Jako nazwę firmy wpisz „Google Cloud”.
Ustawienia ładunku – zaznacz „Include snippets in Conversational Messenger response payload"”. Ustaw wartość na 5.
Kliknij przycisk „Zapisz”.
Konfiguracja instrukcji agenta
Wróć do konfiguracji agenta.
Dodawanie nowej instrukcji:
- Provide detailed answer to users questions about the exec guide to gen ai using information in the ${TOOL:pdf-docs}
Zapisz konfigurację.
Tworzenie przykładu dla narzędzia PDF-Docs
Przejdź na kartę Przykłady. Utwórz nowy przykład: Guide to generative AI
Używanie działań „+”:
Dodaj „Dane wejściowe użytkownika”:
What are the main capabilities for generative AI?
Dodaj „Użycie narzędzia”.
- Narzędzia i działanie: „
pdf-docs”
Dane wejściowe (requestBody)
{
"query": "Main capabilities for generative AI",
"filter": "",
"userMetadata": {},
"fallback": ""
}
Wyjście narzędzia:
{
"answer": "Detailed answer about main capabilities for generative AI",
"snippets": [
{
"uri": "https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf",
"text": "Detailed answer about main capabilities",
"title": "exec_guide_gen_ai"
}
]
}
Dodaj „Odpowiedź agenta”.
Detailed answer about main capabilities.
https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf
Przykład skonfigurowanej usługi:
Konfiguracja wywołania narzędzia:
Przełącz się na symulator, aby przetestować konfigurację.
Pytanie:
What are the 10 steps in the exec guide?
W menu wywołania kliknij Agent, a potem Save as example.
Podaj nazwę „user-question-flow”.
Ustaw podsumowanie: „Agent helped user answer question based on the pdf document” i kliknij Zapisz.
Sformatuj odpowiedź agenta i dodaj link do dokumentu PDF z sekcji wyjściowej narzędzia.
Zapisz przykład.
Wróć do symulatora i kliknij „Replay conversation”. Sprawdź zaktualizowany format odpowiedzi. Jeśli po zapisaniu przykładu pojawi się błąd, może być konieczne odświeżenie okna przeglądarki i ponowne rozpoczęcie rozmowy przez ponowne wysłanie prompta:
What are the 10 steps in the exec guide?
Zadaj kolejne pytanie:
What are the main capabilities in the exec guide?
Źródłowy dokument PDF.
Pytanie:
What should I consider when evaluating projects?
Źródłowy dokument PDF.
Pytanie:
What are the priority use cases in Retail and CPG in the exec guide?
Źródłowy dokument PDF.
Gratulacje! Agent może teraz udzielać odpowiedzi na podstawie dokumentów PDF.
10. Wstępnie utworzone agenty
Następnie w menu po lewej stronie zapoznasz się z gotowymi agentami.
Wybierz jednego z agentów i wdróż go. Poznaj instrukcje i narzędzia do konfiguracji agenta.
11. Gratulacje!
Gratulacje! Masz ukończony ten moduł.
Omówione zagadnienia:
- Tworzenie i wdrażanie agentów konwersacyjnych
- Jak dodać narzędzie dla agenta obsługiwanego przez aplikację Cloud Run
- Jak zintegrować agenta z obszarem roboczym Slack
- Jak skonfigurować magazyn danych dla pytań i odpowiedzi w dokumentach PDF
Co dalej:
- Zapoznaj się ze sprawdzonymi metodami dotyczącymi agentów Vertex AI.
Czyszczenie danych
Aby uniknąć obciążenia konta Google Cloud opłatami za zasoby zużyte w tym samouczku, możesz usunąć projekt zawierający te zasoby lub zachować projekt i usunąć poszczególne zasoby.
Usuwanie projektu
Najprostszym sposobem na uniknięcie płatności jest usunięcie projektu utworzonego na potrzeby samouczka.
©2024 Google LLC. Wszelkie prawa zastrzeżone. Google i logo Google są znakami towarowymi Google LLC. Wszelkie inne nazwy firm i produktów mogą być znakami towarowymi odpowiednich podmiotów, z którymi są powiązane.