1. Descripción general
En este lab, crearás un agente de GenAI, lo conectarás a la aplicación de Cloud Run y lo integrarás en el espacio de trabajo de Slack.
Qué aprenderás
El lab tiene varias partes principales:
- Implementa la aplicación de Cloud Run para integrarla con las APIs de Gemini
- Crea e implementa el agente de Vertex AI
- Cómo integrar el agente en Slack
- Configura el almacén de datos para preguntas y respuestas en documentos PDF
Requisitos previos
- Para este lab, se da por sentado que el usuario tiene conocimientos previos sobre los entornos de shell y la consola de Cloud.
2. Configuración y requisitos
Configuración del proyecto de Cloud
- Accede a Google Cloud Console y crea un proyecto nuevo o reutiliza uno existente. Si aún no tienes una cuenta de Gmail o de Google Workspace, debes crear una.
- El Nombre del proyecto es el nombre visible de los participantes de este proyecto. Es una cadena de caracteres que no se utiliza en las APIs de Google. Puedes actualizarla cuando quieras.
- El ID del proyecto es único en todos los proyectos de Google Cloud y es inmutable (no se puede cambiar después de configurarlo). La consola de Cloud genera automáticamente una cadena única. Por lo general, no importa cuál sea. En la mayoría de los codelabs, deberás hacer referencia al ID de tu proyecto (suele identificarse como
PROJECT_ID). Si no te gusta el ID que se generó, podrías generar otro aleatorio. También puedes probar uno propio y ver si está disponible. No se puede cambiar después de este paso y se usa el mismo durante todo el proyecto. - Recuerda que hay un tercer valor, un número de proyecto, que usan algunas APIs. Obtén más información sobre estos tres valores en la documentación.
- A continuación, deberás habilitar la facturación en la consola de Cloud para usar las APIs o los recursos de Cloud. Ejecutar este codelab no costará mucho, tal vez nada. Para cerrar recursos y evitar que se generen cobros más allá de este instructivo, puedes borrar los recursos que creaste o borrar el proyecto. Los usuarios nuevos de Google Cloud son aptos para participar en el programa Prueba gratuita de $300.
Configuración del entorno
Abre el chat de Gemini.
Habilita la API de Cloud AI Companion:
Haz clic en "Start chatting" y sigue una de las preguntas de ejemplo o escribe tu propia instrucción para probarla.
Instrucciones que puedes probar:
- Explica Cloud Run en 5 puntos clave.
- Eres el gerente de producto de Google Cloud Run y debes explicarle Cloud Run a un estudiante en 5 puntos clave breves.
- Eres gerente de producto de Google Cloud Run y le explicas Cloud Run a un desarrollador certificado de Kubernetes en 5 puntos clave breves.
- Eres gerente de producto de Google Cloud Run y debes explicarle a un desarrollador sénior cuándo usarías Cloud Run en lugar de GKE en 5 puntos clave breves.
Consulta la Guía de instrucciones para obtener más información sobre cómo escribir mejores instrucciones.
Cómo Gemini para Google Cloud usa tus datos
Compromiso de privacidad de Google
Google fue uno de los primeros en el sector en publicar un compromiso de privacidad con la IA y el AA, que describe nuestra creencia de que los clientes deben tener el nivel más alto de seguridad y control sobre sus datos que se almacenan en la nube.
Datos que envías y recibes
Las preguntas que le haces a Gemini, incluida la información de entrada o el código que le envías para que las analice o complete, se denominan instrucciones. Las respuestas o las terminaciones de código que recibes de Gemini se denominan respuestas. Gemini no usa tus instrucciones ni sus respuestas como datos para entrenar sus modelos.
Encriptación de instrucciones
Cuando envías instrucciones a Gemini, tus datos se encriptan en tránsito como entrada al modelo subyacente en Gemini.
Datos de programas generados a partir de Gemini
Gemini se entrena con código propio de Google Cloud y código de terceros seleccionado. Eres responsable de la seguridad, las pruebas y la eficacia de tu código, incluidos cualquier finalización, generación o análisis de código que te ofrezca Gemini.
Obtén más información sobre cómo Google maneja tus instrucciones.
3. Opciones para probar instrucciones
Tienes varias opciones para probar las instrucciones.
Vertex AI Studio es parte de la plataforma Vertex AI de Google Cloud, diseñada específicamente para simplificar y acelerar el desarrollo y el uso de modelos de IA generativa.
Google AI Studio es una herramienta basada en la Web para crear prototipos y experimentar con la ingeniería de instrucciones y la API de Gemini.
- App web de Gemini (gemini.google.com)
La app web de Google Gemini (gemini.google.com) es una herramienta basada en la Web diseñada para ayudarte a explorar y aprovechar el poder de los modelos de IA de Gemini de Google.
- Aplicación para dispositivos móviles de Google Gemini para Android y app de Google en iOS
4. Clone el repositorio
Regresa a la consola de Google Cloud y activa Cloud Shell haciendo clic en el ícono que se encuentra a la derecha de la barra de búsqueda.
En la terminal abierta, ejecuta los siguientes comandos:
git clone https://github.com/GoogleCloudPlatform/genai-for-developers.git
cd genai-for-developers
git checkout slack-agent-jira-lab
Haz clic en "Open Editor".
En el elemento de menú “File / Open Folder”, abre “genai-for-developers”.
Abre una terminal nueva
5. Crear una cuenta de servicio.
Crea una cuenta de servicio y claves nuevas.
Usarás esta cuenta de servicio para realizar llamadas a la API de Gemini de Vertex AI desde la aplicación de Cloud Run.
Configura los detalles del proyecto con los detalles de tu proyecto de Qwiklabs.
Ejemplo: qwiklabs-gcp-00-2c10937585bb
gcloud config set project YOUR_QWIKLABS_PROJECT_ID
Crea una cuenta de servicio y otorga roles.
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"
gcloud iam service-accounts keys create $KEY_FILE_NAME.json --iam-account=$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com
Si se te solicita autorización, haz clic en "Autorizar" para continuar.
Habilita los servicios necesarios para usar las APIs de Vertex AI y el chat de Gemini.
gcloud services enable \
generativelanguage.googleapis.com \
aiplatform.googleapis.com \
cloudaicompanion.googleapis.com \
run.googleapis.com \
cloudresourcemanager.googleapis.com
Habilita los servicios necesarios para usar las APIs de Vertex AI y el chat de 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
Habilita Gemini Code Assist
Haz clic en el ícono de "Gemini", en la esquina inferior derecha, haz clic en "Sign-in" y, luego, en "Select Google Cloud project".
En la ventana emergente, selecciona tu proyecto de Qwiklabs.
Ejemplo:
Abre el archivo "devai-api/app/routes.py" y, luego, haz clic con el botón derecho en cualquier parte del archivo y selecciona "Gemini Code Assist > Explain this" en el menú contextual.
Revisa la explicación de Gemini para el archivo seleccionado.
6. Implementa Devai-API en Cloud Run
Verifica que estés en la carpeta correcta.
cd ~/genai-for-developers/devai-api
En este lab, seguimos las prácticas recomendadas y usamos Secret Manager para almacenar y hacer referencia a los valores del token de acceso y la clave de API de LangChain en Cloud Run.
Configurar variables de entorno
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"
Almacena el token de acceso de JIRA en Secret Manager.
echo -n $JIRA_API_TOKEN | \
gcloud secrets create JIRA_API_TOKEN \
--data-file=-
Almacena el token de acceso de GitLab en Secret Manager.
echo -n $GITLAB_PERSONAL_ACCESS_TOKEN | \
gcloud secrets create GITLAB_PERSONAL_ACCESS_TOKEN \
--data-file=-
Almacena la clave de API de LangChain en Secret Manager.
echo -n $LANGCHAIN_API_KEY | \
gcloud secrets create LANGCHAIN_API_KEY \
--data-file=-
Implementa la aplicación en Cloud Run.
gcloud run deploy devai-api \
--source=. \
--region="$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
Responde Y para crear el repositorio de Docker de 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
Pídele a Gemini que explique el comando:
Revisa el flujo de gcloud run deploy SERVICE_NAME --source=. a continuación. Obtén más información.
En segundo plano, este comando usa buildpacks y Cloud Build de Google Cloud para compilar automáticamente imágenes de contenedor a partir del código fuente sin tener que instalar Docker en tu máquina ni configurar los paquetes de compilación o Cloud Build. Es decir, el comando único descrito anteriormente hace lo que requeriría el uso de los comandos gcloud builds submit y gcloud run deploy.
Si proporcionaste un Dockerfile(como lo hicimos en este repositorio), Cloud Build lo usará para compilar imágenes de contenedores en lugar de depender de los paquetes de compilación para detectar e implementar imágenes de contenedores automáticamente. Para obtener más información sobre los paquetes de compilación, consulta la documentación.
Revisa los registros de Cloud Build en Console.
Revisa la imagen de Docker creada en Artifact Registry.
Abre cloud-run-source-deploy/devai-api y revisa las vulnerabilidades que se detectaron automáticamente. Revisa los que tienen correcciones disponibles y consulta cómo se pueden solucionar según la descripción.
Revisa los detalles de la instancia de Cloud Run en la consola de Cloud.
Ejecuta el comando curl para probar el extremo.
curl -X POST \
-H "Content-Type: application/json" \
-d '{"prompt": "PROJECT-100"}' \
$(gcloud run services list --filter="(devai-api)" --format="value(URL)")/generate
Revisa el resultado:
7. Vertex AI Agent Builder
Busca y abre "Agent Builder".
Activa API
Crea una app de agente:
Escribe "Agente" en Nombre visible y haz clic en "Aceptar y crear".
Establece el nombre del agente:
Agent
Establecer objetivo:
Help user with questions about JIRA project
Instrucciones de configuración:
- 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.
Haz clic en "Guardar":
Prueba el agente con el chat del emulador en el lado derecho:
Abre el menú Herramientas y crea una nueva herramienta:
Selecciona OpenAPI en el menú desplegable Tipo.
Establece el nombre de la herramienta:
jira-project-status
Descripción del conjunto:
Returns JIRA project status
Establece el esquema (YAML): reemplaza TU URL DE CLOUD RUN.
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:
/create-jira-issue:
post:
summary: Request impl
operationId: create-jira-issue
requestBody:
description: Request impl
required: true
content:
application/json:
schema:
$ref: '#/components/schemas/Prompt'
responses:
'200':
description: Generated
content:
application/json:
schema:
type: string
/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:
type: string
/test:
get:
summary: Request impl
operationId: test
responses:
'200':
description: Generated
content:
application/json:
schema:
type: string
components:
schemas:
Prompt:
type: object
required:
- prompt
properties:
prompt:
type: string
Guarda la configuración de la herramienta:
Regresa a la configuración del agente y actualiza las instrucciones para usar la herramienta:
Agrega instrucciones para usar la nueva herramienta:
- Use ${TOOL: jira-project-status} to help the user with JIRA project status.
Cambia a la pestaña Ejemplos y agrega un ejemplo nuevo:
Establece el nombre visible:
jira-project-flow
Con el menú de la parte inferior, modela la conversación entre el usuario y el agente:
Configuración de invocación de herramientas:
Haz clic en Guardar y Cancelar. Regresa al emulador de agentes y prueba el flujo.
Revisa las prácticas recomendadas para los agentes de Vertex AI.
Configuración del agente
Configuración de registros
Configuración del modelo.
Integración de GitGub para enviar y restablecer la configuración del agente.
Controles del emulador de agentes:
8. Integración de Slack
Abre el menú Integrations y haz clic en “Connect” en la tarjeta de Slack.
Abre el vínculo y crea una app de Slack nueva en https://api.slack.com/apps.
Selecciona una opción de "Manifiesto":
Elige un espacio de trabajo para desarrollar tu app
Cambia a YAML y pega este manifiesto:
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
Haz clic en “Crear”:
Instalar en Workspace:
Selecciona el canal "#general" y haz clic en "Permitir".
En "Información básica / Credenciales de la app", copia "Secreto de firma" y configúralo en la integración de Slack.
Abre "OAuth y permisos", copia "Token de OAuth del usuario bot" y configúralo en la integración de Slack.
Establece los campos obligatorios y haz clic en "Iniciar".
El valor de "Token de acceso" del agente es "Token de OAuth de usuario bot" de Slack.
El valor de "Signing Token" del agente es "Signing Secret" de Slack.
Copia "URL de webhook" y vuelve a la configuración de la app de Slack.
Abre la sección "Event Subscriptions" y pega la URL.
Guarda los cambios.
Abre "Slack" y agrega un agente escribiendo "@Agent".
Por ejemplo, agregar una app con el nombre "@CX".
Pídele al agente un resumen del proyecto de JIRA.
9. Preguntas y respuestas sobre documentos PDF
Crea un bucket de Cloud Storage
Abre GCS en la consola de Cloud: https://console.cloud.google.com/storage/browser
Crea un bucket nuevo.
Para el nombre del bucket, escribe "pdf-docs" + los últimos 5 dígitos de tu proyecto de GCP.
Tipo de ubicación: multi-region, us
Clase de almacenamiento: Standard
Control de acceso: Uniform
Protección de datos: uncheck soft delete policy
Haz clic en “Create”.
Confirma "Se impedirá el acceso público".
Descarga el informe en PDF y súbelo al bucket. https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf
Bucket con vista de archivo subido:
Configuración del almacén de datos
Regresa a la Consola del agente, abre "Agent", desplázate hacia abajo y haz clic en "+ Data store".
Usa los siguientes valores:
Nombre de la herramienta: pdf-docs
Tipo: Data store
Descripción: pdf-docs
Haz clic en "Save".
Haz clic en "Create a data store" en la parte inferior de la página.
Haz clic en “AGREE” cuando se te pregunte “¿Aceptas que tus almacenes de datos de búsqueda y conversaciones estén en la región de EE.UU.?”.
Escribe "Google" en el campo "Proporcionar empresa".
En la siguiente pantalla, haz clic en "CREATE DATA STORE".
Selecciona "Cloud Storage" como fuente de datos.
Prepara datos para la transferencia
https://cloud.google.com/generative-ai-app-builder/docs/prepare-data
Los archivos HTML y TXT deben tener un tamaño de 2.5 MB o menos.
Los archivos PDF, PPTX y DOCX deben tener un tamaño de 100 MB o menos.
Puedes importar hasta 100,000 archivos a la vez.
Selecciona: unstructured documents
Selecciona tu bucket o carpeta de GCS.
Haz clic en Continuar: 
Para el nombre del almacén de datos, escribe: "pdf-docs"
Selecciona "Digital parser" en el menú desplegable.
Habilita la fragmentación avanzada.
Habilita los encabezados de principales en los fragmentos.
Haz clic en “Create”.
Selecciona el almacén de datos y haz clic en "Create".
Haz clic en el almacén de datos y revisa Documentos, Actividad y Configuración de procesamiento.
La importación tardará entre 5 y 10 minutos en completarse.
Opciones de análisis y división
Puedes controlar el análisis de contenido de las siguientes maneras:
- Analizador digital. El analizador digital está activado de forma predeterminada para todos los tipos de archivos, a menos que se especifique un tipo de analizador diferente. El analizador digital procesa los documentos transferidos si no se especifica otro analizador predeterminado para el almacén de datos o si el analizador especificado no admite el tipo de archivo de un documento transferido.
- Análisis de OCR para archivos PDF Versión preliminar pública. Si planeas subir archivos PDF escaneados o con texto dentro de imágenes, puedes activar el analizador de OCR para mejorar el indexado de PDF. Consulta Acerca del análisis de OCR para archivos PDF.
- Analizador de diseño. Versión preliminar pública. Activa el analizador de diseño para archivos HTML, PDF o DOCX si planeas usar Vertex AI Search para RAG. Consulta Chunk documents for RAG para obtener información sobre este analizador y cómo activarlo.
Obtén más información sobre el análisis y la fragmentación de documentos.
Configuración de herramientas
Regresa a la pestaña con la configuración de Herramientas.
Actualiza el navegador y selecciona "pdf-docs" en el menú desplegable Sin estructura.
Configura la conexión a tierra.
Escribe "Google" para el nombre de la empresa.
Configuración de la carga útil: Marca "Include snippets in the response payload".
Haz clic en “Save”.
Configuración de las instrucciones del agente
Regresa a la configuración del agente.
Agrega una instrucción nueva:
- Provide detailed answer to users questions about the exec guide to gen ai using information in the ${TOOL:pdf-docs}
Guarda la configuración.
Crea un ejemplo para la herramienta PDF-Docs
Cambia a la pestaña Ejemplos. Crea un ejemplo nuevo.
Con las acciones "+":
Agrega "Entrada del usuario":
What are the main capabilities?
Agrega "Uso de herramientas".
- Herramienta y acción: "
pdf-docs"
Entrada (requestBody)
{
"query": "Main capabilities",
"filter": "",
"userMetadata": {},
"fallback": ""
}
Resultado de la herramienta:
{
"answer": "Detailed answer about main capabilities",
"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"
}
]
}
Se agregó "Respuesta del agente"
Detailed answer about main capabilities.
https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf
Ejemplo configurado:
Configuración de invocación de herramientas:
Para probar la configuración, envía una pregunta al agente en el emulador.
Pregunta:
What are the 10 steps in the exec guide?
Selecciona "Agent" y haz clic en "Save example".
Proporciona el nombre "user-question-flow" y guárdalo.
Dale formato a la respuesta del agente y, luego, incluye el vínculo al documento PDF desde la sección de resultados de la herramienta.
Guarda el ejemplo.
Regresa al emulador y haz clic en "Replay conversation". Verifica el formato de respuesta actualizado.
Haz otra pregunta:
What are the main capabilities in the exec guide?
Documento PDF de origen
Pregunta:
What should I consider when evaluating projects?
Documento PDF de origen
Pregunta:
What are the priority use cases in Retail and CPG in the exec guide?
Documento PDF de origen
10. Agentes compilados previamente
Explora los agentes compilados previamente en el menú de la izquierda.
Selecciona uno de los agentes y, luego, instálalo. Explora la configuración, las instrucciones y las herramientas de Agent.
11. ¡Felicitaciones!
¡Felicitaciones! Completaste el lab.
Temas abordados:
- Cómo implementar la aplicación de Cloud Run para integrarla con las APIs de Gemini
- Cómo crear e implementar el agente de Vertex AI
- Cómo agregar la integración de Slack para el agente
- Cómo configurar el almacén de datos para preguntas y respuestas en documentos PDF
¿Qué sigue?
- Revisa las prácticas recomendadas para los agentes de Vertex AI.
Limpia
Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.
Borra el proyecto
La manera más fácil de eliminar la facturación es borrar el proyecto que creaste para el instructivo.
©2024 Google LLC Todos los derechos reservados. Google y el logotipo de Google son marcas de Google LLC. El resto de los nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que están asociados.