Informationen zu diesem Codelab
1. Übersicht
In diesem Lab erstellen Sie einen GenAI-Agenten, verbinden ihn mit der Cloud Run-Anwendung und integrieren ihn in den Slack-Arbeitsbereich.
Lerninhalte
Das Lab besteht aus mehreren Hauptteilen:
- Cloud Run-Anwendung für die Einbindung in Gemini APIs bereitstellen
- Conversational Agent erstellen und bereitstellen
- Agent in Slack einbinden
- Datenspeicher für Fragen und Antworten über PDF-Dokumente konfigurieren
Vorbereitung
- Für dieses Lab wird davon ausgegangen, dass Sie mit der Cloud Console und Cloud Shell-Umgebungen vertraut sind.
2. Einrichtung und Anforderungen
Cloud-Projekt einrichten
- Melden Sie sich in der Google Cloud Console an und erstellen Sie ein neues Projekt oder verwenden Sie ein vorhandenes. Wenn Sie noch kein Gmail- oder Google Workspace-Konto haben, müssen Sie ein Konto erstellen.
- Der Projektname ist der Anzeigename für die Teilnehmer dieses Projekts. Es ist ein Zeichenstring, der von Google APIs nicht verwendet wird. Sie können ihn jederzeit aktualisieren.
- Die Projekt-ID ist für alle Google Cloud-Projekte eindeutig und kann nach der Festlegung nicht mehr geändert werden. In der Cloud Console wird automatisch ein eindeutiger String generiert. In der Regel spielt es keine Rolle, wie er lautet. In den meisten Codelabs müssen Sie auf Ihre Projekt-ID verweisen (normalerweise als
PROJECT_IDgekennzeichnet). Wenn Ihnen die generierte ID nicht gefällt, können Sie eine andere zufällige generieren. Alternativ können Sie Ihr eigenes Konto ausprobieren und prüfen, ob es verfügbar ist. Sie kann nach diesem Schritt nicht mehr geändert werden und bleibt für die Dauer des Projekts bestehen. - Zur Information: Es gibt einen dritten Wert, die Projektnummer, die von einigen APIs verwendet wird. Weitere Informationen zu diesen drei Werten finden Sie in der Dokumentation.
- Als Nächstes müssen Sie in der Cloud Console die Abrechnung aktivieren, um Cloud-Ressourcen/-APIs verwenden zu können. Die Durchführung dieses Codelabs ist kostenlos oder kostet nur sehr wenig. Wenn Sie die Ressourcen deaktivieren möchten, um weitere Kosten nach Abschluss dieser Anleitung zu vermeiden, können Sie die von Ihnen erstellten Ressourcen oder das Projekt löschen. Neuen Google Cloud-Nutzern steht das kostenlose Testprogramm mit einem Guthaben von 300$ zur Verfügung.
Umgebung einrichten
Öffnen Sie Gemini Chat.
Aktivieren Sie Gemini for Google Cloud API:
Klicke auf „Start chatting“ und folge einer der Beispielfragen oder gib einen eigenen Prompt ein, um es auszuprobieren.
Probiere folgende Prompts aus:
- Erläutern Sie Cloud Run in fünf wichtigen Punkten.
- Sie sind Product Manager für Google Cloud Run. Erläutern Sie Cloud Run einem Studenten in fünf kurzen Punkten.
- Sie sind Produktmanager für Google Cloud Run und erklären einem zertifizierten Kubernetes-Entwickler Cloud Run in fünf kurzen Punkten.
- Sie sind Product Manager für Google Cloud Run. Erläutern Sie einem leitenden Entwickler in fünf kurzen Punkten, wann Sie Cloud Run und wann Sie GKE verwenden würden.
Weitere Informationen zum Erstellen besserer Prompts finden Sie in der Anleitung: Prompts.
So nutzt Gemini for Google Cloud Ihre Daten
Datenschutzprinzipien von Google
Google war einer der ersten Anbieter in der Branche, der eine KI-/ML-Datenschutzverpflichtung veröffentlicht hat. Diese legt fest, dass Kunden die höchste Sicherheit und Kontrolle über ihre Daten haben sollten, die in der Cloud gespeichert werden.
Von Ihnen eingereichte und empfangene Daten
Die Fragen, die Sie an Gemini stellen, einschließlich aller Eingabeinformationen oder Codes, die Sie zur Analyse oder Fertigstellung an Gemini senden, werden als Prompts bezeichnet. Die Antworten oder Code-Ergänzungen, die Sie von Gemini erhalten, werden als Antworten bezeichnet. Gemini verwendet Ihre Prompts und seine Antworten nicht als Daten zum Trainieren seines Modells.
Verschlüsselung von Prompts
Wenn Sie Prompts an Gemini senden, werden Ihre Daten während der Übertragung als Eingabe für das zugrunde liegende Modell in Gemini verschlüsselt.
Von Gemini generierte Programmdaten
Gemini wird mit Google Cloud-Code und ausgewähltem Code von Drittanbietern trainiert. Sie sind für die Sicherheit, die Tests und die Effektivität Ihres Codes verantwortlich, einschließlich aller Codevervollständigungen, -generierungen oder ‑analysen, die Gemini bietet.
3. Optionen zum Testen von Prompts
Es gibt mehrere Möglichkeiten, Prompts zu testen.
Vertex AI Studio ist Teil der Vertex AI-Plattform von Google Cloud und wurde speziell entwickelt, um die Entwicklung und Nutzung generativer KI-Modelle zu vereinfachen und zu beschleunigen.
Google AI Studio ist ein webbasiertes Tool zum Erstellen von Prototypen und Experimentieren mit Prompt-Engineering und der Gemini API.
- Gemini Web-App (gemini.google.com)
Die Google Gemini Web-App (gemini.google.com) ist ein webbasiertes Tool, mit dem Sie die Leistungsfähigkeit der Gemini-KI-Modelle von Google kennenlernen und nutzen können.
- Mobile Google Gemini App für Android und Google App für iOS
4. Repository klonen
Kehren Sie zur Google Cloud Console zurück und aktivieren Sie Cloud Shell, indem Sie auf das Symbol rechts neben der Suchleiste klicken.
Führen Sie im geöffneten Terminal die folgenden Befehle aus:
git clone https://github.com/GoogleCloudPlatform/genai-for-developers.git
cd genai-for-developers
git checkout slack-agent-jira-lab
Klicken Sie auf „Editor öffnen“.
Öffnen Sie über den Menüpunkt „File / Open Folder“ die Seite „genai-for-developers“.
Neues Terminal öffnen
5. Dienstkonto erstellen
Erstellen Sie ein neues Dienstkonto. Sie verwenden dieses Dienstkonto, um API-Aufrufe an die Vertex AI Gemini API aus der Cloud Run-Anwendung zu senden.
Konfigurieren Sie die Projektdetails mit den Projektdetails aus Qwiklabs.
Beispiel: qwiklabs-gcp-00-2c10937585bb
gcloud config set project YOUR_QWIKLABS_PROJECT_ID
Erstellen Sie ein Dienstkonto und gewähren Sie Rollen.
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"
Wenn Sie zur Autorisierung aufgefordert werden, klicken Sie auf „Autorisieren“, um fortzufahren.
Aktivieren Sie die erforderlichen Dienste, um Vertex AI APIs und Gemini-Chat zu verwenden.
gcloud services enable \
generativelanguage.googleapis.com \
aiplatform.googleapis.com \
cloudaicompanion.googleapis.com \
run.googleapis.com \
cloudresourcemanager.googleapis.com
Aktivieren Sie die erforderlichen Dienste, um Vertex AI APIs und Gemini-Chat zu verwenden.
gcloud services enable \
artifactregistry.googleapis.com \
cloudbuild.googleapis.com \
runapps.googleapis.com \
workstations.googleapis.com \
servicemanagement.googleapis.com \
secretmanager.googleapis.com \
containerscanning.googleapis.com
Gemini Code Assist für Codeerläuterungen verwenden
Öffnen Sie die Datei „devai-api/app/routes.py“, klicken Sie mit der rechten Maustaste auf eine beliebige Stelle in der Datei und wählen Sie im Kontextmenü „Gemini Code Assist > Explain this"“ aus.
Lesen Sie die Erklärung von Gemini für die ausgewählte Datei.
6. Devai-API in Cloud Run bereitstellen
Prüfen Sie, ob Sie sich im richtigen Ordner befinden.
cd ~/genai-for-developers/devai-api
In diesem Lab folgen wir Best Practices und verwenden Secret Manager, um die Werte für das Zugriffstoken und den LangChain API-Schlüssel in Cloud Run zu speichern und zu referenzieren.
Umgebungsvariablen festlegen Führen Sie diesen Befehl unverändert aus.
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"
Erstellen und speichern Sie mehrere Secrets im 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 $LANGCHAIN_API_KEY | \
gcloud secrets create LANGCHAIN_API_KEY \
--data-file=-
Die Anwendung in Cloud Run bereitstellen.
gcloud run deploy devai-api \
--source=. \
--region="$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="$LANGCHAIN_TRACING_V2" \
--update-secrets="LANGCHAIN_API_KEY=LANGCHAIN_API_KEY:latest" \
--update-secrets="GITLAB_PERSONAL_ACCESS_TOKEN=GITLAB_PERSONAL_ACCESS_TOKEN:latest" \
--update-secrets="JIRA_API_TOKEN=JIRA_API_TOKEN:latest" \
--min-instances=1 \
--max-instances=3
Geben Sie Y ein, um ein Artifact Registry-Docker-Repository zu erstellen.
Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository named [cloud-run-source-deploy] in
region [us-central1] will be created.
Do you want to continue (Y/n)? y
Bitten Sie Gemini, den Befehl zu erklären:
What does this command do?
gcloud run deploy devai-api \
--source=. \
--region="$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
Sehen Sie sich unten den Ablauf für gcloud run deploy SERVICE_NAME --source=. an. Weitere Informationen
Im Hintergrund verwendet dieser Befehl buildpacks und Cloud Build von Google Cloud, um automatisch Container-Images aus Ihrem Quellcode zu erstellen, ohne Docker auf Ihrem Computer installieren oder Buildpacks oder Cloud Build einrichten zu müssen. Das heißt, der einzige oben beschriebene Befehl würde die Befehle gcloud builds submit und gcloud run deploy ausführen.
Wenn Sie ein Dockerfile bereitgestellt haben(wie in diesem Repository), verwendet Cloud Build dieses, um Container-Images zu erstellen, anstatt sich auf die Buildpacks zu verlassen, die Container-Images automatisch erkennen und erstellen. Weitere Informationen zu Buildpacks finden Sie in der Dokumentation.
Sehen Sie sich die Cloud Build-Protokolle in der Console an.
Sehen Sie sich das erstellte Docker-Image in Artifact Registry an.
Sehen Sie sich die Cloud Run-Instanzdetails in der Cloud Console an.
Testen Sie den Endpunkt mit dem Befehl „curl“.
curl -X POST \
-H "Content-Type: application/json" \
-d '{"prompt": "PROJECT-100"}' \
$(gcloud run services list --filter="(devai-api)" --format="value(URL)")/generate
Die Antwort wird im Markdown-Format zurückgegeben. Die Anzeige erfolgt im Vorschaumodus, um die Lesbarkeit zu verbessern.
7. Vertex AI Agent Builder
Suchen Sie nach „Agent Builder“ und öffnen Sie die Datei.
APIs aktivieren:
Conversational Agent-App erstellen:
Dialogflow API aktivieren:
Wählen Sie Ihr Projekt aus:
Klicken Sie auf „Agent erstellen“:
Wählen Sie „Eigenes Design erstellen“ aus.
Geben Sie „Kundenservicemitarbeiter“ als Anzeigenamen ein und klicken Sie auf „Erstellen“.
Playbook-Name festlegen:
Agent
Ziel festlegen:
Help user with questions about JIRA project
Anleitung zum Einrichten:
- 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.
Klicken Sie auf „Speichern“:
Testen Sie den Agenten mit dem Simulator-Chat auf der rechten Seite:
Bewegen Sie den Mauszeiger links auf das Schraubenschlüsselsymbol. Öffnen Sie das Menü „Tools“ und erstellen Sie ein neues Tool:
Wählen Sie im Drop-down-Menü „Typ“ die Option OpenAPI aus.
Tool-Namen festlegen:
jira-project-status
Beschreibung des Sets:
Provides JIRA project status
Schema (YAML) festlegen – ersetzen Sie DEINE CLOUD RUN-URL. Wechseln Sie den Tab und prüfen Sie die Konsolenausgabe auf die Cloud Run-Dienst-URL.
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
Speichern Sie die Toolkonfiguration:
Kehren Sie zur Konfiguration des Kundenservicemitarbeiters zurück, indem Sie im Menü links „Playbooks“ auswählen. Aktualisieren Sie die Anleitung zur Verwendung des Tools:
Fügen Sie eine Anleitung zur Verwendung des neuen Tools hinzu und klicken Sie auf „Speichern“:
- Use ${TOOL: jira-project-status} to help the user with JIRA project status.
Wechseln Sie zum Tab „Beispiele“ und fügen Sie ein neues Beispiel hinzu:
Legen Sie einen Anzeigenamen fest:
jira-project-flow
Modellieren Sie mit dem Menü unten die Unterhaltung zwischen Nutzer und Kundenservicemitarbeiter:
Beispiel:
Kundenservicemitarbeiter: Wie lautet die Projekt-ID?
Nutzereingabe: TEST-PROJECT-100
Tool verwenden: jira-project-status
Kundenservicemitarbeiter: Details zum Projektstatus.
Verwenden Sie die folgende Referenz, um das Beispiel zu erstellen.
Klicken Sie auf „Speichern“. Kehren Sie zum Agent Simulator zurück und testen Sie den Ablauf. Alle vorhandenen Unterhaltungen zurücksetzen.
Glückwunsch! Durch die Einbindung von Tools, die mit der in Cloud Run bereitgestellten API verknüpft sind, können Sie den Kundenservicemitarbeitern Aktionen ermöglichen.
Best Practices für Vertex AI-Agenten
Verfügbare Einstellungen für Kundenservicemitarbeiter prüfen
- Logging-Einstellungen – Cloud Logging aktivieren
- Git-Integration: Mit der Git-Integration können Sie Ihren Agenten aus einem Git-Repository pushen und pullen.
- Auswahl des generativen Modells
- Tokenlimits(Eingabe und Ausgabe)
Einstellungen für den Kundenservicemitarbeiter-Simulator:
8. Slack-Integration
Öffnen Sie das Menü „Integrationen“ und klicken Sie auf der Slack-Kachel auf „Verbinden“.
Öffnen Sie den Link und erstellen Sie eine neue Slack-App unter https://api.slack.com/apps.
Wähle unter „Manifest“ eine der folgenden Optionen aus:
Arbeitsbereich für die Entwicklung Ihrer App auswählen
Wechseln Sie zu YAML und fügen Sie dieses Manifest ein:
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
Klicken Sie auf „Erstellen“:
In Workspace installieren:
Wähle den Kanal „#general“ aus und klicke auf „Zulassen“.
Kopieren Sie unter „Allgemeine Informationen / App-Anmeldedaten“ das „Signatur-Secret“ und legen Sie es in der Slack-Integration des Kundenservicemitarbeiters als Wert für das Feld „Signatur-Token“ fest.
Öffnen Sie „OAuth und Berechtigungen“, kopieren Sie „OAuth-Token des Bot-Nutzers“ und legen Sie es in der Slack-Integration des Kundenservicemitarbeiters als Wert für das Feld „Zugriffstoken“ fest.
Legen Sie die erforderlichen Felder fest und klicken Sie auf „Starten“.
Der Wert für das Zugriffstoken des Kundenservicemitarbeiters ist das OAuth-Token des Bot-Nutzers aus Slack.
Der Wert für das Signaturtoken des Kundenservicemitarbeiters ist Signing Secret von Slack.
Kopieren Sie die „Webhook-URL“ und kehren Sie zur Konfiguration der Slack-App zurück.
Öffnen Sie den Bereich „Ereignisabos“ und fügen Sie die URL ein.
Speichern Sie die Änderungen.
Öffne „Slack“ und füge einen Kundenservicemitarbeiter hinzu, indem du „@Kundenservicemitarbeiter“ eingibst.
Beispiel: Sie fügen eine App mit dem Namen „@CX“ hinzu.
Bitten Sie den Kundenservicemitarbeiter um eine JIRA-Projektübersicht.
Glückwunsch! Der Bot wurde erfolgreich in den Slack-Arbeitsbereich eingebunden.
9. Fragen und Antworten zu PDF-Dokumenten
In diesem Abschnitt wird beschrieben, wie Sie einen Datenspeicher mit einem PDF-Dokument erstellen und mit dem Kundenservicemitarbeiter verknüpfen, um auf Grundlage des Inhalts des Dokuments Fragen und Antworten zu ermöglichen.
Cloud Storage-Bucket erstellen
Cloud Shell öffnen: https://shell.cloud.google.com/
Legen Sie den Bucket-Namen mit den letzten fünf Ziffern Ihres GCP-Projekts fest. Beispiel: pdf-docs-3dw21
BUCKET_NAME=pdf-docs-LAST-5-DIGITS-OF-YOUR-PROJECT
Erstellen Sie einen Bucket und laden Sie ein PDF-Dokument hoch.
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
Datenspeicherkonfiguration
Kehren Sie zur Kundenservicekonsole zurück, öffnen Sie „Agent“, scrollen Sie nach unten und klicken Sie auf „+ Data store“.
Verwenden Sie die folgenden Werte:
Tool name: pdf-docs
Typ: Data store
Beschreibung: pdf-docs
Klicken Sie auf „Save“.
Klicken Sie unten auf der Seite auf das Dreipunkt-Menü Add data stores. Klicken Sie dann auf „Create new data store“.
Wählen Sie „Cloud Storage“ als Datenquelle aus.
Auswahlmöglichkeit: Unstructured documents
Wählen Sie dann Ihren GCS-Bucket/-Ordner aus.
Wählen Sie „us“ für den Speicherort des Datenspeichers aus.
Geben Sie als Namen des Datenspeichers „pdf-docs“ ein.
Wählen Sie im Drop-down-Menü die Option „Digital parser“ aus.
Aktivieren Sie die erweiterte Blockierung.
Aktivieren Sie die Option „Ancestor-Überschriften in Blöcke aufnehmen“.
Klicken Sie auf "Create".
Klicken Sie auf den Datenspeicher und prüfen Sie die Dokumente, Aktivitäten und die Verarbeitungskonfiguration.
Der Import dauert etwa 5 bis 10 Minuten.
Optionen für das Parsen und Chunking
Sie können das Parsen von Inhalten auf folgende Arten steuern:
- Digitaler Parser Der digitale Parser ist standardmäßig für alle Dateitypen aktiviert, sofern kein anderer Parsertyp angegeben wird. Der digitale Parser verarbeitet aufgenommene Dokumente, wenn für den Datenspeicher kein anderer Standardparser angegeben ist oder der angegebene Parser den Dateityp eines aufgenommenen Dokuments nicht unterstützt.
- OCR-Parsing für PDFs Öffentliche Vorschau. Wenn Sie gescannte PDFs oder PDFs mit Text in Bildern hochladen möchten, können Sie den OCR-Parser aktivieren, um die PDF-Indexierung zu verbessern. Weitere Informationen finden Sie unter OCR-Parsing für PDFs.
- Layout-Parser Aktivieren Sie den Layout-Parser für HTML-, PDF- oder DOCX-Dateien, wenn Sie Vertex AI Search für RAG verwenden möchten. Informationen zu diesem Parser und dazu, wie Sie ihn aktivieren, finden Sie unter Dokumente für RAG in Abschnitte unterteilen.
Weitere Informationen zum Parsen und Aufteilen von Dokumenten
Toolkonfiguration
Kehren Sie zum Konfigurationsbildschirm des Kundenservicemitarbeiters zurück und aktualisieren Sie die verfügbaren Datenspeicher.
Wählen Sie den gerade erstellten Datenspeicher aus und klicken Sie auf Confirm.
Erdung konfigurieren
Geben Sie „Google Cloud“ als Namen des Unternehmens ein.
Nutzlasteinstellungen: Setzen Sie ein Häkchen bei „Include snippets in Conversational Messenger response payload"“ und legen Sie den Wert auf „5“ fest.
Klicken Sie auf "Speichern".
Konfiguration der Anleitung für Kundenservicemitarbeiter
Kehren Sie zur Agentkonfiguration zurück.
Neue Anleitung hinzufügen:
- Provide detailed answer to users questions about the exec guide to gen ai using information in the ${TOOL:pdf-docs}
Speichern Sie die Konfiguration.
Beispiel für das PDF-Docs-Tool erstellen
Wechseln Sie zum Tab „Beispiele“. Neues Beispiel erstellen: Guide to generative AI
Aktionen vom Typ „+“ verwenden:
Fügen Sie „Nutzerinput“ hinzu:
What are the main capabilities for generative AI?
Fügen Sie „Tool-Nutzung“ hinzu.
- Tool und Aktion: „
pdf-docs“
Eingabe (requestBody)
{
"query": "Main capabilities for generative AI",
"filter": "",
"userMetadata": {},
"fallback": ""
}
Tool-Ausgabe:
{
"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"
}
]
}
„Kundenservicemitarbeiterantwort“ hinzufügen
Detailed answer about main capabilities.
https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf
Konfiguriertes Beispiel:
Konfiguration der Toolausführung:
Wechseln Sie zum Simulator, um die Konfiguration zu testen.
Frage:
What are the 10 steps in the exec guide?
Wählen Sie im Drop-down-Menü „Aufrufe“ die Option „Agent“ aus und klicken Sie auf „Save as example“.
Geben Sie den Namen „user-question-flow“ an.
Legen Sie eine Zusammenfassung fest: „Agent helped user answer question based on the pdf document“ und klicken Sie auf „Speichern“.
Formatiere die Antwort des Kundenservicemitarbeiters und füge einen Link zum PDF-Dokument aus dem Tool-Ausgabebereich ein.
Speichern Sie das Beispiel.
Kehren Sie zum Simulator zurück und klicken Sie auf „Replay conversation“. Prüfen Sie das aktualisierte Antwortformat. Wenn nach dem Speichern des Beispiels ein Fehler angezeigt wird, müssen Sie möglicherweise Ihr Browserfenster aktualisieren und die Unterhaltung neu starten, indem Sie den Prompt noch einmal senden:
What are the 10 steps in the exec guide?
Stellen Sie eine weitere Frage:
What are the main capabilities in the exec guide?
Quell-PDF-Dokument
Frage:
What should I consider when evaluating projects?
Quell-PDF-Dokument
Frage:
What are the priority use cases in Retail and CPG in the exec guide?
Quell-PDF-Dokument
Glückwunsch! Der Kundenservicemitarbeiter kann jetzt fundierte Antworten auf Grundlage der PDF-Dokumente geben.
10. Vordefinierte Agents
Als Nächstes sehen Sie sich im Menü auf der linken Seite vordefinierte Bots an.
Wählen Sie einen der Agenten aus und stellen Sie ihn bereit. Informationen zur Einrichtung, Anleitungen und Tools für Google Unternehmensprofil-Kundenservicemitarbeiter
11. Glückwunsch!
Sie haben das Lab abgeschlossen.
Behandelte Themen:
- Conversational Agents erstellen und bereitstellen
- Tool für den Kundenservicemitarbeiter hinzufügen, das von einer Cloud Run-Anwendung unterstützt wird
- Kundenservicemitarbeiter in den Slack-Arbeitsbereich einbinden
- Datenspeicher für Fragen und Antworten über PDF-Dokumente konfigurieren
Nächste Schritte:
- Best Practices für Vertex AI-Agenten
Bereinigen
Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, können Sie entweder das Projekt löschen, das die Ressourcen enthält, oder das Projekt beibehalten und die einzelnen Ressourcen löschen.
Projekt löschen
Am einfachsten vermeiden Sie weitere Kosten durch Löschen des für die Anleitung erstellten Projekts.
© 2024 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.