1. بررسی اجمالی
در این آزمایشگاه، یک GenAI Agent ایجاد میکنید، آن را به برنامه Cloud Run متصل میکنید و عامل را در فضای کاری Slack ادغام میکنید.
آنچه خواهید آموخت
چندین بخش اصلی در آزمایشگاه وجود دارد:
- برنامه Cloud Run را برای ادغام با API های Gemini اجرا کنید
- ایجاد و استقرار Vertex AI Agent
- Agent را در Slack ادغام کنید
- ذخیره داده را برای پرسش و پاسخ روی اسناد PDF پیکربندی کنید
پیش نیازها
- این آزمایشگاه آشنایی با محیط های Cloud Console و Cloud Shell را فرض می کند.
2. راه اندازی و الزامات
راه اندازی پروژه ابری
- به Google Cloud Console وارد شوید و یک پروژه جدید ایجاد کنید یا از یک موجود استفاده مجدد کنید. اگر قبلاً یک حساب Gmail یا Google Workspace ندارید، باید یک حساب ایجاد کنید .
- نام پروژه نام نمایشی برای شرکت کنندگان این پروژه است. این یک رشته کاراکتری است که توسط API های Google استفاده نمی شود. همیشه می توانید آن را به روز کنید.
- شناسه پروژه در تمام پروژههای Google Cloud منحصربهفرد است و تغییرناپذیر است (پس از تنظیم نمیتوان آن را تغییر داد). Cloud Console به طور خودکار یک رشته منحصر به فرد تولید می کند. معمولاً برای شما مهم نیست که چیست. در اکثر کدها، باید شناسه پروژه خود را ارجاع دهید (معمولاً با نام
PROJECT_ID
شناخته می شود). اگر شناسه تولید شده را دوست ندارید، ممکن است یک شناسه تصادفی دیگر ایجاد کنید. از طرف دیگر، میتوانید خودتان را امتحان کنید، و ببینید آیا در دسترس است یا خیر. پس از این مرحله نمی توان آن را تغییر داد و در طول مدت پروژه باقی می ماند. - برای اطلاع شما، یک مقدار سوم وجود دارد، یک شماره پروژه ، که برخی از API ها از آن استفاده می کنند. در مورد هر سه این مقادیر در مستندات بیشتر بیاموزید.
- در مرحله بعد، برای استفاده از منابع Cloud/APIها باید صورتحساب را در کنسول Cloud فعال کنید . اجرا کردن از طریق این کد لبه هزینه زیادی نخواهد داشت. برای خاموش کردن منابع برای جلوگیری از تحمیل صورتحساب فراتر از این آموزش، میتوانید منابعی را که ایجاد کردهاید حذف کنید یا پروژه را حذف کنید. کاربران جدید Google Cloud واجد شرایط برنامه آزمایشی رایگان 300 دلاری هستند.
راه اندازی محیط
چت Gemini را باز کنید.
فعال کردن Cloud AI Companion API:
روی " Start chatting
" کلیک کنید و یکی از نمونه سوالات را دنبال کنید یا درخواست خود را تایپ کنید تا آن را امتحان کنید.
درخواست برای امتحان کردن:
- Cloud Run را در 5 نکته کلیدی توضیح دهید.
- شما مدیر محصول Google Cloud Run هستید، Cloud Run را در 5 نکته کلیدی کوتاه برای دانش آموز توضیح دهید.
- شما مدیر محصول Google Cloud Run هستید، در 5 نکته کلیدی کوتاه، Cloud Run را به یک توسعه دهنده معتبر Kubernetes توضیح دهید.
- شما مدیر محصول Google Cloud Run هستید، در 5 نکته کلیدی کوتاه توضیح دهید که چه زمانی از Cloud Run در مقابل GKE استفاده می کنید.
برای کسب اطلاعات بیشتر در مورد نوشتن دستورات بهتر ، راهنمای درخواست را بررسی کنید.
Gemini for Google Cloud چگونه از داده های شما استفاده می کند
تعهد حریم خصوصی Google
Google یکی از اولین شرکتهایی در این صنعت بود که تعهد حفظ حریم خصوصی AI/ML را منتشر کرد، که این اعتقاد ما را نشان میدهد که مشتریان باید بالاترین سطح امنیت و کنترل را بر دادههای ذخیرهشده در ابر داشته باشند.
داده هایی که ارسال و دریافت می کنید
به سؤالاتی که از Gemini میپرسید، از جمله اطلاعات ورودی یا کدی که برای تجزیه و تحلیل یا تکمیل به Gemini ارسال میکنید، درخواستها گفته میشود. پاسخ ها یا تکمیل کدهایی که از جمینی دریافت می کنید، پاسخ نامیده می شوند. Gemini از دستورات یا پاسخ های شما به عنوان داده برای آموزش مدل های خود استفاده نمی کند .
رمزگذاری دستورات
هنگامی که درخواستهایی را به Gemini ارسال میکنید، دادههای شما در حین انتقال به عنوان ورودی مدل اصلی در Gemini رمزگذاری میشوند .
داده های برنامه تولید شده از Gemini
Gemini روی کدهای Google Cloud شخص اول و همچنین کدهای شخص ثالث منتخب آموزش دیده است. شما مسئول امنیت، آزمایش و اثربخشی کد خود هستید ، از جمله هر گونه تکمیل، تولید یا تجزیه و تحلیل کدی که Gemini به شما ارائه می دهد.
بیشتر بیاموزید که چگونه Google با درخواستهای شما برخورد میکند.
3. گزینه هایی برای آزمایش فرمان ها
شما چندین گزینه برای آزمایش دستورات دارید.
Vertex AI Studio بخشی از پلتفرم Vertex AI Google Cloud است که به طور خاص برای ساده سازی و تسریع توسعه و استفاده از مدل های هوش مصنوعی مولد طراحی شده است.
Google AI Studio یک ابزار مبتنی بر وب برای نمونه سازی و آزمایش با مهندسی سریع و Gemini API است.
- برنامه وب جمینی (gemini.google.com)
برنامه وب Google Gemini (gemini.google.com) یک ابزار مبتنی بر وب است که برای کمک به شما در کشف و استفاده از قدرت مدلهای هوش مصنوعی Gemini Google طراحی شده است.
- اپلیکیشن موبایل گوگل جمینی برای اندروید و اپلیکیشن گوگل در iOS
4. مخزن را شبیه سازی کنید
به Google Cloud Console برگردید و Cloud Shell را با کلیک بر روی نماد سمت راست نوار جستجو فعال کنید.
در ترمینال باز شده، دستورات زیر را اجرا کنید
git clone https://github.com/GoogleCloudPlatform/genai-for-developers.git
cd genai-for-developers
git checkout slack-agent-jira-lab
روی "باز کردن ویرایشگر" کلیک کنید
با استفاده از آیتم منوی " File / Open Folder
"، " genai-for-developers
" را باز کنید.
یک ترمینال جدید باز کنید
5. ایجاد حساب خدمات
یک حساب سرویس و کلیدهای جدید ایجاد کنید.
از این حساب سرویس برای برقراری تماس های API با Vertex AI Gemini API از برنامه Cloud Run استفاده خواهید کرد.
جزئیات پروژه را با استفاده از جزئیات پروژه qwiklabs خود پیکربندی کنید.
مثال: qwiklabs-gcp-00-2c10937585bb
gcloud config set project YOUR_QWIKLABS_PROJECT_ID
حساب سرویس ایجاد کنید و نقشهای اعطا کنید.
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
اگر از شما خواسته شد که مجوز دهید، برای ادامه روی "مجوز" کلیک کنید.
برای استفاده از Vertex AI API و Gemini، سرویس های مورد نیاز را فعال کنید.
gcloud services enable \
generativelanguage.googleapis.com \
aiplatform.googleapis.com \
cloudaicompanion.googleapis.com \
run.googleapis.com \
cloudresourcemanager.googleapis.com
برای استفاده از Vertex AI API و Gemini، سرویس های مورد نیاز را فعال کنید.
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 را فعال کنید
روی نماد "Gemini" کلیک کنید، در گوشه سمت راست پایین، روی " Sign-in
" و " Select Google Cloud project
" کلیک کنید.
از پنجره بازشو، پروژه qwiklabs خود را انتخاب کنید.
مثال:
فایل " devai-api/app/routes.py
" را باز کنید و سپس در هر نقطه از فایل کلیک راست کرده و " Gemini Code Assist > Explain
this"
را از منوی زمینه انتخاب کنید.
توضیحات Gemini را برای فایل انتخابی مرور کنید.
6. Devai-API را در Cloud Run اجرا کنید
بررسی کنید که در پوشه مناسب هستید.
cd ~/genai-for-developers/devai-api
برای این آزمایشگاه، ما بهترین شیوهها را دنبال میکنیم و از Secret Manager برای ذخیره و ارجاع به Access Token و LangChain API Key در Cloud Run استفاده میکنیم.
تنظیم متغیرهای محیطی
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"
رمز دسترسی JIRA را در Secret Manager ذخیره کنید.
echo -n $JIRA_API_TOKEN | \
gcloud secrets create JIRA_API_TOKEN \
--data-file=-
رمز دسترسی GitLab را در Secret Manager ذخیره کنید.
echo -n $GITLAB_PERSONAL_ACCESS_TOKEN | \
gcloud secrets create GITLAB_PERSONAL_ACCESS_TOKEN \
--data-file=-
کلید API LangChain را در مدیر مخفی ذخیره کنید.
echo -n $LANGCHAIN_API_KEY | \
gcloud secrets create LANGCHAIN_API_KEY \
--data-file=-
استقرار برنامه در Cloud Run
gcloud run deploy devai-api \
--source=. \
--region="$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
برای ایجاد مخزن Artifact Registry Docker به Y
پاسخ دهید.
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
از Gemini بخواهید دستور را توضیح دهد:
gcloud run deploy SERVICE_NAME --source=.
جریان زیر بیشتر بدانید .
در پشت صحنه، این دستور buildpacks
های Google Cloud و Cloud Build
برای ساخت خودکار تصاویر کانتینر از کد منبع شما بدون نیاز به نصب Docker بر روی دستگاه یا تنظیم buildpacks یا Cloud Build استفاده می کند. یعنی فرمان واحدی که در بالا توضیح داده شد، کاری را انجام می دهد که در غیر این صورت gcloud builds submit
و دستورات gcloud run deploy
نیاز دارد.
اگر Dockerfile را ارائه کردهاید (که ما در این مخزن انجام دادیم)، Cloud Build از آن برای ساخت تصاویر کانتینر در مقابل تکیه بر بستههای ساخت برای شناسایی و ساخت خودکار تصاویر کانتینر استفاده میکند. برای کسب اطلاعات بیشتر در مورد buildpack ها، مستندات را بررسی کنید.
گزارشهای Cloud Build را در کنسول مرور کنید.
تصویر داکر ایجاد شده را در آرتیفکت رجیستری بررسی کنید.
cloud-run-source-deploy/devai-api
را باز کنید و آسیب پذیری هایی را که به طور خودکار شناسایی شده اند بررسی کنید. مواردی را که دارای رفع مشکل هستند بررسی کنید و ببینید که چگونه می توان بر اساس توضیحات آن را برطرف کرد.
جزئیات نمونه Cloud Run را در Cloud Console مرور کنید.
نقطه پایانی را با اجرای دستور curl تست کنید.
curl -X POST \
-H "Content-Type: application/json" \
-d '{"prompt": "PROJECT-100"}' \
$(gcloud run services list --filter="(devai-api)" --format="value(URL)")/generate
خروجی بررسی:
7. Vertex AI Agent Builder
"Agent Builder" را جستجو کرده و باز کنید.
API ها را فعال کنید
ایجاد اپلیکیشن عامل:
برای نمایش نام، "Agent" را تایپ کنید و روی "Agree & Create" کلیک کنید.
تنظیم نام نماینده:
Agent
تعیین هدف:
Help user with questions about JIRA project
دستورات تنظیم:
- 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.
روی "ذخیره" کلیک کنید:
Agent را با استفاده از چت شبیه ساز در سمت راست آزمایش کنید:
منوی Tools را باز کنید و یک ابزار جدید ایجاد کنید:
OpenAPI
از منوی کشویی Type انتخاب کنید.
تنظیم نام ابزار:
jira-project-status
توضیحات مجموعه:
Returns JIRA project status
طرحواره (YAML) را تنظیم کنید - URL اجرای ابری خود را جایگزین کنید.
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
پیکربندی ابزار را ذخیره کنید:
برای استفاده از ابزار، به پیکربندی عامل برگردید و دستورالعملهای بهروزرسانی کنید:
دستورالعمل ها را برای استفاده از ابزار جدید اضافه کنید:
- Use ${TOOL: jira-project-status} to help the user with JIRA project status.
به تب Examples بروید و مثال جدیدی اضافه کنید:
تنظیم نام نمایشی:
jira-project-flow
با استفاده از منوی پایین، مکالمه بین کاربر و نماینده را مدل کنید:
پیکربندی فراخوانی ابزار:
روی ذخیره و لغو کلیک کنید. به شبیه ساز Agent برگردید و جریان را تست کنید.
بهترین روش ها را برای Vertex AI Agents مرور کنید
تنظیمات نماینده
تنظیمات ثبت نام
پیکربندی مدل
ادغام GitGub برای فشار دادن و بازیابی پیکربندی Agent.
کنترل های شبیه ساز عامل:
8. Slack Integration
منوی Integrations را باز کنید و روی "Connect" در کاشی Slack کلیک کنید.
پیوند را باز کنید و یک برنامه Slack جدید در https://api.slack.com/apps ایجاد کنید
از "مانیفست" انتخاب کنید:
یک فضای کاری برای توسعه برنامه خود انتخاب کنید
به YAML بروید و این مانیفست را جایگذاری کنید:
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
روی "ایجاد" کلیک کنید:
نصب در Workspace:
کانال "#عمومی" را انتخاب کنید و روی "اجازه دادن" کلیک کنید.
در بخش «اطلاعات اولیه / اعتبار برنامه» - «Signing Secret» را کپی کنید و آن را در Slack ادغام کنید.
"OAuth & Permissions" را باز کنید و "Bot User OAuth Token" را کپی کنید و آن را در Slack integration قرار دهید.
فیلدهای مورد نیاز را تنظیم کنید و روی "شروع" کلیک کنید.
مقدار " Access Token " عامل "Bot User OAUth Token" از Slack است.
مقدار " Signing Token " نماینده ، "Signing Secret" از Slack است.
«URL Webhook» را کپی کنید و به پیکربندی برنامه Slack برگردید.
بخش «اشتراکهای رویداد» را باز کرده و آدرس اینترنتی را جایگذاری کنید.
تغییرات را ذخیره کنید.
"Slack" را باز کنید و با تایپ کردن "Agent@" یک نماینده اضافه کنید.
به عنوان مثال، اضافه کردن یک برنامه با نام "@CX".
از نماینده خلاصه پروژه JIRA را بخواهید.
9. پرسش و پاسخ بر روی اسناد PDF
ایجاد سطل ذخیره سازی ابری
GCS را در Cloud Console باز کنید: https://console.cloud.google.com/storage/browser
یک سطل جدید ایجاد کنید.
برای نوع نام سطل: " pdf-docs
" + 5 رقم آخر پروژه GCP شما.
نوع مکان: multi-region, us
.
کلاس ذخیره سازی: Standard
کنترل دسترسی: Uniform
حفاظت از داده ها: uncheck soft delete policy
روی " Create
" کلیک کنید.
"دسترسی عمومی جلوگیری خواهد شد" را تأیید کنید.
گزارش PDF را دانلود کرده و در سطل آپلود کنید. https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf
سطل با نمای فایل آپلود شده:
پیکربندی ذخیره اطلاعات
به Agent Console برگردید و " Agent
" را باز کنید، به پایین بروید و روی " + Data store
" کلیک کنید.
از مقادیر زیر استفاده کنید:
نام ابزار: pdf-docs
نوع: Data store
توضیحات: pdf-docs
روی " Save
" کلیک کنید
روی « Create a data store
» در پایین صفحه کلیک کنید.
هنگامی که AGREE
شما در مورد "آیا موافقت می کنید که ذخیره داده های جستجو و مکالمه شما در منطقه ایالات متحده باشد؟"
" Google
" را در قسمت "Provide Company" تایپ کنید.
در صفحه بعدی، روی " CREATE DATA STORE
" کلیک کنید.
" Cloud Storage
" را به عنوان منبع داده انتخاب کنید.
داده ها را برای بلع آماده کنید
https://cloud.google.com/generative-ai-app-builder/docs/prepare-data
فایل های HTML و TXT باید 2.5 مگابایت یا کوچکتر باشند.
فایل های PDF، PPTX و DOCX باید 100 مگابایت یا کوچکتر باشند.
شما می توانید تا 100000 فایل را همزمان وارد کنید.
انتخاب کنید: unstructured documents
و سطل/پوشه GCS خود را انتخاب کنید.
روی ادامه کلیک کنید:
برای نام فروشگاه داده نوع: " pdf-docs
"
از منوی کشویی " Digital parser
" را انتخاب کنید.
قطعه سازی پیشرفته را فعال کنید.
سرفصل های نیاکان را به صورت تکه فعال کنید.
روی " Create
" کلیک کنید.
ذخیره داده را انتخاب کنید و روی " Create
" کلیک کنید
روی ذخیره داده کلیک کنید و اسناد، فعالیت و پیکربندی پردازش را بررسی کنید.
تکمیل واردات حدود 5-10 دقیقه طول می کشد.
گزینه های Parsing و Chunking
شما می توانید تجزیه محتوا را به روش های زیر کنترل کنید:
- تجزیه کننده دیجیتال تجزیه کننده دیجیتال به طور پیش فرض برای همه انواع فایل روشن است مگر اینکه نوع تجزیه کننده متفاوتی مشخص شده باشد. اگر تجزیهکننده پیشفرض دیگری برای ذخیرهسازی دادهها مشخص نشده باشد یا اگر تجزیهکننده مشخصشده از نوع فایل یک سند دریافتشده پشتیبانی نکند، تجزیهکننده دیجیتال اسناد دریافتشده را پردازش میکند.
- تجزیه OCR برای فایل های PDF . پیش نمایش عمومی اگر قصد دارید فایلهای پیدیاف اسکن شده یا پیدیافهای حاوی متن داخل تصاویر را آپلود کنید، میتوانید تجزیهکننده OCR را برای بهبود فهرستسازی PDF روشن کنید. درباره تجزیه OCR برای فایل های PDF رجوع کنید.
- تجزیه کننده چیدمان پیش نمایش عمومی اگر میخواهید از Vertex AI Search برای RAG استفاده کنید، تجزیهکننده طرحبندی فایلهای HTML، PDF یا DOCX را روشن کنید. برای اطلاعات در مورد این تجزیه کننده و نحوه روشن کردن آن ، به اسناد تکه برای RAG مراجعه کنید.
درباره تجزیه و تجزیه اسناد بیشتر بدانید.
پیکربندی ابزار
به تب با پیکربندی ابزارها برگردید.
مرورگر را بازخوانی کنید و " pdf-docs
" را از منوی کشویی Unstructured انتخاب کنید.
پیکربندی زمین
برای نام شرکت " Google
" را تایپ کنید.
تنظیمات Payload - " Include snippets in the response payload
" را علامت بزنید
روی " Save
" کلیک کنید.
پیکربندی دستورالعمل های عامل
به پیکربندی نماینده بازگردید.
افزودن دستورالعمل جدید:
- Provide detailed answer to users questions about the exec guide to gen ai using information in the ${TOOL:pdf-docs}
ذخیره پیکربندی
یک مثال برای ابزار PDF-Docs ایجاد کنید
به تب Examples بروید. یک مثال جدید ایجاد کنید.
استفاده از اقدامات " +
":
"ورودی کاربر" را اضافه کنید:
What are the main capabilities?
"استفاده از ابزار" را اضافه کنید.
- ابزار و اقدام: "
pdf-docs
"
ورودی (RequestBody)
{
"query": "Main capabilities",
"filter": "",
"userMetadata": {},
"fallback": ""
}
خروجی ابزار:
{
"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"
}
]
}
افزودن "پاسخ نماینده"
Detailed answer about main capabilities.
https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf
مثال پیکربندی شده:
پیکربندی فراخوانی ابزار:
پیکربندی را با ارسال یک سوال به Agent در شبیه ساز تست کنید.
سوال:
What are the 10 steps in the exec guide?
" Agent
" را انتخاب کرده و روی " Save example
" کلیک کنید.
یک نام " user-question-flow
" وارد کنید و ذخیره کنید.
پاسخ عامل را قالب بندی کنید و پیوند به سند pdf را از بخش خروجی ابزار اضافه کنید.
مثال را ذخیره کنید.
به شبیه ساز برگردید و روی " Replay conversation
" کلیک کنید. قالب پاسخ به روز شده را بررسی کنید.
یه سوال دیگه بپرس:
What are the main capabilities in the exec guide?
منبع سند PDF
سوال:
What should I consider when evaluating projects?
منبع سند PDF
سوال:
What are the priority use cases in Retail and CPG in the exec guide?
منبع سند PDF
10. عوامل از پیش ساخته شده
Agents از پیش ساخته شده را از منوی سمت چپ کاوش کنید.
یکی از عوامل را انتخاب کنید و آن را مستقر کنید. تنظیمات، دستورالعمل ها و ابزارهای Agent را کاوش کنید.
11. تبریک!
تبریک می گویم، شما آزمایشگاه را تمام کردید!
آنچه ما پوشش داده ایم:
- نحوه استقرار برنامه Cloud Run برای ادغام با API های Gemini
- نحوه ایجاد و استقرار Vertex AI Agent
- چگونه یکپارچه سازی Slack را برای Agent اضافه کنیم
- نحوه پیکربندی ذخیره داده برای پرسش و پاسخ از طریق اسناد PDF
بعدش چیه:
- بهترین روش ها را برای Vertex AI Agents مرور کنید
پاک کن
برای جلوگیری از تحمیل هزینه به حساب Google Cloud خود برای منابع استفاده شده در این آموزش، یا پروژه حاوی منابع را حذف کنید یا پروژه را نگه دارید و منابع فردی را حذف کنید.
حذف پروژه
ساده ترین راه برای حذف صورتحساب، حذف پروژه ای است که برای آموزش ایجاد کرده اید.
©2024 Google LLC همه حقوق محفوظ است. Google و لوگوی Google علائم تجاری Google LLC هستند. همه نامهای شرکت و محصولات دیگر ممکن است علائم تجاری شرکتهای مربوطه باشند که با آنها مرتبط هستند.