1. Présentation
Dans cet atelier, vous allez créer un agent GenAI, le connecter à l'application Cloud Run et l'intégrer à l'espace de travail Slack.
Objectifs de l'atelier
L'atelier se compose de plusieurs parties principales:
- Déployer une application Cloud Run pour l'intégrer aux API Gemini
- Créer et déployer un agent Vertex AI
- Intégrer l'Agent dans Slack
- Configurer le data store pour les questions/réponses sur des documents PDF
Prérequis
- Dans cet atelier, nous considérons que vous connaissez la console Cloud et les environnements Cloud Shell.
2. Préparation
Configuration du projet Cloud
- Connectez-vous à la console Google Cloud, puis créez un projet ou réutilisez un projet existant. Si vous n'avez pas encore de compte Gmail ou Google Workspace, vous devez en créer un.
- Le nom du projet est le nom à afficher pour les participants au projet. Il s'agit d'une chaîne de caractères non utilisée par les API Google. Vous pourrez toujours le modifier.
- L'ID du projet est unique parmi tous les projets Google Cloud et non modifiable une fois défini. La console Cloud génère automatiquement une chaîne unique (en général, vous n'y accordez d'importance particulière). Dans la plupart des ateliers de programmation, vous devrez indiquer l'ID de votre projet (généralement identifié par
PROJECT_ID
). Si l'ID généré ne vous convient pas, vous pouvez en générer un autre de manière aléatoire. Vous pouvez également en spécifier un et voir s'il est disponible. Après cette étape, l'ID n'est plus modifiable et restera donc le même pour toute la durée du projet. - Pour information, il existe une troisième valeur (le numéro de projet) que certaines API utilisent. Pour en savoir plus sur ces trois valeurs, consultez la documentation.
- Vous devez ensuite activer la facturation dans la console Cloud pour utiliser les ressources/API Cloud. L'exécution de cet atelier de programmation est très peu coûteuse, voire sans frais. Pour désactiver les ressources et éviter ainsi que des frais ne vous soient facturés après ce tutoriel, vous pouvez supprimer le projet ou les ressources que vous avez créées. Les nouveaux utilisateurs de Google Cloud peuvent participer au programme d'essai sans frais pour bénéficier d'un crédit de 300 $.
Configuration de l'environnement
Ouvrez Gemini Chat.
Activez l'API Cloud AI Companion:
Cliquez sur Start chatting
, puis suivez l'une des questions exemples ou saisissez votre propre requête pour tester la fonctionnalité.
Requêtes à tester :
- Expliquez Cloud Run en cinq points clés.
- Vous êtes responsable produit Google Cloud Run. Expliquez Cloud Run à un étudiant en cinq points clés.
- Vous êtes responsable produit Google Cloud Run. Expliquez Cloud Run à un développeur Kubernetes certifié en cinq points clés.
- Vous êtes responsable produit Google Cloud Run. Expliquez à un développeur expérimenté en cinq points clés quand utiliser Cloud Run plutôt que GKE.
Consultez le guide des requêtes pour en savoir plus sur la rédaction de requêtes plus efficaces.
Utilisation de vos données par Gemini pour Google Cloud
Engagement de Google en matière de confidentialité
Google a été l'un des premiers sur le marché à proposer un engagement en matière de confidentialité pour l'IA/le ML, ce qui souligne le fait que nos clients devraient disposer du plus haut niveau de sécurité et de contrôle sur leurs données stockées dans le cloud.
Données que vous envoyez et recevez
Les questions que vous posez à Gemini, y compris les informations ou le code que vous lui envoyez pour qu'il les analyse ou les complète, sont appelées requêtes. Les réponses ou les suggestions de code que vous recevez de Gemini sont appelées "réponses". Gemini n'utilise pas vos requêtes ni ses réponses comme données pour entraîner ses modèles.
Chiffrement des requêtes
Lorsque vous envoyez des requêtes à Gemini, vos données sont chiffrées en transit pour être transmises au modèle sous-jacent de Gemini.
Données de programme générées par Gemini
Gemini est entraîné sur du code Google Cloud propriétaire et sur du code tiers sélectionné. Vous êtes responsable de la sécurité, des tests et de l'efficacité de votre code, y compris de toute complétion, génération ou analyse de code que Gemini vous propose.
3. Options pour tester les requêtes
Plusieurs options s'offrent à vous pour tester les requêtes.
Vertex AI Studio fait partie de la plate-forme Vertex AI de Google Cloud, spécialement conçue pour simplifier et accélérer le développement et l'utilisation de modèles d'IA générative.
Google AI Studio est un outil Web permettant de prototyper et de tester l'ingénierie des requêtes et l'API Gemini.
- Application Web Gemini (gemini.google.com)
L'application Web Google Gemini (gemini.google.com) est un outil Web conçu pour vous aider à explorer et à exploiter la puissance des modèles d'IA Gemini de Google.
- Application mobile Google Gemini pour Android et application Google sur iOS
4. Cloner le dépôt
Revenez à la console Google Cloud et activez Cloud Shell en cliquant sur l'icône située à droite de la barre de recherche.
Dans le terminal ouvert, exécutez les commandes suivantes :
git clone https://github.com/GoogleCloudPlatform/genai-for-developers.git
cd genai-for-developers
git checkout slack-agent-jira-lab
Cliquez sur "Ouvrir l'éditeur".
À l'aide de l'élément de menu "File / Open Folder
", ouvrez "genai-for-developers
".
Ouvrir un nouveau terminal
5. Créer un compte de service
Créez un compte de service et des clés.
Vous utiliserez ce compte de service pour effectuer des appels d'API à l'API Gemini Vertex AI à partir de l'application Cloud Run.
Configurez les informations de votre projet à l'aide des informations de votre projet Qwiklabs.
Exemple : qwiklabs-gcp-00-2c10937585bb
gcloud config set project YOUR_QWIKLABS_PROJECT_ID
Créez un compte de service et accordez des rôles.
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 vous y êtes invité, cliquez sur "Autoriser" pour continuer.
Activez les services requis pour utiliser les API Vertex AI et le chat Gemini.
gcloud services enable \
generativelanguage.googleapis.com \
aiplatform.googleapis.com \
cloudaicompanion.googleapis.com \
run.googleapis.com \
cloudresourcemanager.googleapis.com
Activez les services requis pour utiliser les API Vertex AI et le chat 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
Activer Gemini Code Assist
Cliquez sur l'icône Gemini en bas à droite, puis sur Sign-in
et Select Google Cloud project
.
Dans la fenêtre pop-up, sélectionnez votre projet Qwiklabs.
Exemple :
Ouvrez le fichier "devai-api/app/routes.py
", puis effectuez un clic droit n'importe où dans le fichier et sélectionnez "Gemini Code Assist > Explain
this"
" dans le menu contextuel.
Consultez l'explication de Gemini sur le fichier sélectionné.
6. Déployer Devai-API sur Cloud Run
Vérifiez que vous êtes dans le bon dossier.
cd ~/genai-for-developers/devai-api
Pour cet atelier, nous suivons les bonnes pratiques et utilisons Secret Manager pour stocker et référencer les valeurs du jeton d'accès et de la clé API LangChain dans Cloud Run.
Définir des variables d'environnement.
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"
Stockez le jeton d'accès JIRA dans Secret Manager.
echo -n $JIRA_API_TOKEN | \
gcloud secrets create JIRA_API_TOKEN \
--data-file=-
Stockez le jeton d'accès GitLab dans Secret Manager.
echo -n $GITLAB_PERSONAL_ACCESS_TOKEN | \
gcloud secrets create GITLAB_PERSONAL_ACCESS_TOKEN \
--data-file=-
Stockez la clé API LangChain dans Secret Manager.
echo -n $LANGCHAIN_API_KEY | \
gcloud secrets create LANGCHAIN_API_KEY \
--data-file=-
Déployez l'application sur Cloud Run.
gcloud run deploy devai-api \
--source=. \
--region="$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
Répondez Y
pour créer un dépôt Docker 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
Demandez à Gemini d'expliquer la commande:
Consultez le flux gcloud run deploy SERVICE_NAME --source=.
ci-dessous. En savoir plus
En arrière-plan, cette commande utilise buildpacks
et Cloud Build
de Google Cloud pour créer automatiquement des images de conteneurs à partir de votre code source sans avoir à installer Docker sur votre machine ni à configurer des packs de création ou Cloud Build. En d'autres termes, la commande unique décrite ci-dessus effectue ce qui nécessite normalement les commandes gcloud builds submit
et gcloud run deploy
.
Si vous avez fourni un Dockerfile(comme nous l'avons fait dans ce dépôt), Cloud Build l'utilisera pour créer des images de conteneur au lieu de s'appuyer sur les buildpacks pour détecter et créer automatiquement des images de conteneur. Pour en savoir plus sur les buildpacks, consultez la documentation.
Examinez les journaux Cloud Build dans la console.
Examinez l'image Docker créée dans Artifact Registry.
Ouvrez cloud-run-source-deploy/devai-api
et examinez les failles détectées automatiquement. Recherchez les problèmes pour lesquels des solutions sont disponibles et découvrez comment les résoudre en fonction de la description.
Consultez les détails de l'instance Cloud Run dans la console Cloud.
Testez le point de terminaison en exécutant la commande curl.
curl -X POST \
-H "Content-Type: application/json" \
-d '{"prompt": "PROJECT-100"}' \
$(gcloud run services list --filter="(devai-api)" --format="value(URL)")/generate
Examinez le résultat:
7. Vertex AI Agent Builder
Recherchez et ouvrez "Agent Builder".
Activer les API
Application Create Agent:
Saisissez "Agent" dans le champ "Nom à afficher", puis cliquez sur "Accepter et créer".
Définir le nom de l'agent:
Agent
Définir un objectif:
Help user with questions about JIRA project
Instructions de configuration:
- 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.
Cliquez sur "Enregistrer":
Testez l'agent à l'aide de la discussion de l'émulateur sur la droite:
Ouvrez le menu "Outils", puis créez un outil:
Sélectionnez OpenAPI
dans le menu déroulant "Type".
Définir le nom de l'outil:
jira-project-status
Set Description:
Returns JIRA project status
Définir le schéma (YAML) : remplacez VOTRE URL 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
Enregistrez la configuration de l'outil:
Revenez à la configuration de l'agent et suivez les instructions de mise à jour pour utiliser l'outil:
Ajoutez des instructions pour utiliser le nouvel outil:
- Use ${TOOL: jira-project-status} to help the user with JIRA project status.
Accédez à l'onglet "Exemples" et ajoutez un exemple:
Définissez le nom à afficher:
jira-project-flow
À l'aide du menu en bas de l'écran, modélisez la conversation entre l'utilisateur et l'agent:
Configuration de l'appel d'outil:
Cliquez sur "Enregistrer", puis sur "Annuler". Revenez à l'émulateur de l'agent et testez le flux.
Consultez les bonnes pratiques pour les agents Vertex AI.
Paramètres des agents
Paramètres de journalisation
Configuration du modèle.
Intégration de GitHub pour transférer et restaurer la configuration de l'agent.
Commandes de l'émulateur d'agent:
8. Intégration dans Slack
Ouvrez le menu "Intégrations", puis cliquez sur "Connecter" sur la tuile Slack.
Ouvrez le lien et créez une application Slack sur https://api.slack.com/apps.
Dans "Fichier manifeste", sélectionnez :
Choisir un espace de travail pour développer votre application
Passez au format YAML et collez ce fichier manifeste:
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
Cliquez sur "Créer":
Installer dans Workspace:
Sélectionnez le canal "#general", puis cliquez sur "Autoriser".
Sous "Informations de base / Identifiants de l'application", copiez "Secret de signature" et définissez-le dans l'intégration Slack.
Ouvrez "OAuth et autorisations", copiez le "Jeton OAuth de l'utilisateur bot", puis définissez-le dans l'intégration Slack.
Définissez les champs obligatoires, puis cliquez sur "Démarrer".
La valeur du jeton d'accès de l'agent est le jeton OAuth de l'utilisateur bot de Slack.
La valeur du jeton de signature de l'agent est "Secret de signature" de Slack.
Copiez "Webhook URL" (URL du webhook) et revenez à la configuration de l'application Slack.
Ouvrez la section "Abonnements aux événements", puis collez l'URL.
Enregistrez les modifications.
Ouvrez Slack et ajoutez un agent en saisissant "@Agent".
Par exemple, en ajoutant une application avec le nom "@CX".
Demandez à l'agent de vous fournir un résumé du projet JIRA.
9. Questions-réponses sur des documents PDF
Créer un bucket Cloud Storage
Ouvrez GCS dans la console Cloud: https://console.cloud.google.com/storage/browser.
Créez un bucket.
Pour le nom du bucket, saisissez "pdf-docs
" + les cinq derniers chiffres de votre projet GCP.
Type d'emplacement : multi-region, us
.
Classe de stockage: Standard
Contrôle des accès: Uniform
Protection des données: uncheck soft delete policy
Cliquez sur "Create
".
Confirmez l'option "L'accès public sera bloqué".
Téléchargez le rapport PDF et importez-le dans le bucket. https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf
Vue du bucket avec le fichier importé:
Configuration du datastore
Revenez à la console Agent, ouvrez Agent
, faites défiler la page vers le bas, puis cliquez sur + Data store
.
Utilisez les valeurs suivantes:
Nom de l'outil: pdf-docs
Type : Data store
Description : pdf-docs
Cliquez sur Save
.
Cliquez sur Create a data store
en bas de la page.
Cliquez sur AGREE
lorsque vous êtes invité à répondre à la question "Acceptez-vous que vos data stores Search and Conversation résident dans la région États-Unis ?".
Saisissez "Google
" dans le champ "Indiquer l'entreprise".
Sur l'écran suivant, cliquez sur CREATE DATA STORE
.
Sélectionnez "Cloud Storage
" comme source de données.
Préparer les données pour l'ingestion
https://cloud.google.com/generative-ai-app-builder/docs/prepare-data
Les fichiers HTML et TXT ne doivent pas dépasser 2,5 Mo.
Les fichiers PDF, PPTX et DOCX ne doivent pas dépasser 100 Mo.
Vous pouvez importer jusqu'à 100 000 fichiers à la fois.
Sélectionnez : unstructured documents
Sélectionnez votre bucket/dossier GCS.
Cliquez sur "Continuer" :
Pour le nom du magasin de données, saisissez: "pdf-docs
"
Sélectionnez "Digital parser
" dans le menu déroulant.
Activez la fragmentation avancée.
Activez les en-têtes d'ancêtres dans les fragments.
Cliquez sur "Create
".
Sélectionnez le datastore, puis cliquez sur Create
.
Cliquez sur le data store, puis examinez les sections "Documents", "Activité" et "Configuration de traitement".
L'importation prend environ cinq à dix minutes.
Options d'analyse et de segmentation
Vous pouvez contrôler l'analyse du contenu de différentes manières:
- Analyseur numérique L'analyseur numérique est activé par défaut pour tous les types de fichiers, sauf si un autre type d'analyseur est spécifié. L'analyseur numérique traite les documents ingérés si aucun autre analyseur par défaut n'est spécifié pour le magasin de données ou si l'analyseur spécifié n'est pas compatible avec le type de fichier d'un document ingéré.
- Analyse OCR pour les PDF Version Preview publique Si vous prévoyez d'importer des PDF scannés ou des PDF contenant du texte dans des images, vous pouvez activer l'analyseur OCR pour améliorer l'indexation des PDF. Consultez À propos de l'analyse OCR pour les PDF.
- Analyseur de mise en page Version Preview publique Activez l'analyseur de mise en page pour les fichiers HTML, PDF ou DOCX si vous prévoyez d'utiliser Vertex AI Search pour le RAG. Pour en savoir plus sur cet analyseur et découvrir comment l'activer, consultez Chunk documents for RAG (Documenter les blocs pour RAG).
En savoir plus sur l'analyse et la fragmentation de documents
Configuration de l'outil
Revenez à l'onglet de configuration des outils.
Actualisez le navigateur, puis sélectionnez "pdf-docs
" dans le menu déroulant "Non structuré".
Configurez l'ancrage.
Saisissez "Google
" comme nom de l'entreprise.
Paramètres de la charge utile : cochez "Include snippets in the response payload
"
Cliquez sur "Save
".
Configuration des instructions de l'agent
Revenez à la configuration de l'agent.
Ajoutez une instruction:
- Provide detailed answer to users questions about the exec guide to gen ai using information in the ${TOOL:pdf-docs}
Enregistrez la configuration.
Créer un exemple pour l'outil PDF-Docs
Accédez à l'onglet "Exemples". Créez un exemple.
Utilisation des actions "+
":
Ajoutez "Saisie utilisateur":
What are the main capabilities?
Ajoutez "Utilisation de l'outil".
- Outil et action: "
pdf-docs
"
Entrée (requestBody)
{
"query": "Main capabilities",
"filter": "",
"userMetadata": {},
"fallback": ""
}
Résultat de l'outil:
{
"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"
}
]
}
Ajouter "Réponse de l'agent"
Detailed answer about main capabilities.
https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf
Exemple de configuration:
Configuration de l'appel d'outil:
Testez la configuration en envoyant une question à l'agent dans l'émulateur.
Question :
What are the 10 steps in the exec guide?
Sélectionnez "Agent
", puis cliquez sur "Save example
".
Nommez-la "user-question-flow
", puis enregistrez-la.
Mettez en forme la réponse de l'agent et incluez un lien vers le document PDF dans la section de sortie de l'outil.
Enregistrez l'exemple.
Revenez à l'émulateur et cliquez sur "Replay conversation
". Vérifiez le format de réponse mis à jour.
Posez une autre question:
What are the main capabilities in the exec guide?
Document PDF source.
Question :
What should I consider when evaluating projects?
Document PDF source.
Question :
What are the priority use cases in Retail and CPG in the exec guide?
Document PDF source.
10. Agents prédéfinis
Parcourez les agents prédéfinis dans le menu de gauche.
Sélectionnez l'un des agents et déployez-le. Découvrez la configuration, les instructions et les outils de l'Agent.
11. Félicitations !
Félicitations, vous avez terminé l'atelier.
Points abordés
- Déployer une application Cloud Run pour l'intégrer aux API Gemini
- Créer et déployer un agent Vertex AI
- Ajouter l'intégration Slack pour l'Agent
- Configurer un data store pour les questions/réponses dans les documents PDF
Étapes suivantes :
- Consultez les bonnes pratiques pour les agents Vertex AI.
Effectuer un nettoyage
Pour éviter que les ressources utilisées lors de ce tutoriel soient facturées sur votre compte Google Cloud, supprimez le projet contenant les ressources, ou conservez le projet et supprimez chaque ressource individuellement.
Supprimer le projet
Le moyen le plus simple d'empêcher la facturation est de supprimer le projet que vous avez créé pour ce tutoriel.
© 2024 Google LLC Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms de société et de produit peuvent être des marques des sociétés auxquelles ils sont associés.