À propos de cet atelier de programmation
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 conversationnel dans des applications d'IA
- 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 Gemini pour Google Cloud:
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 vous utiliseriez 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 finalisation, génération ou analyse de code que Gemini vous propose.
3. Options pour tester les requêtes
Vous pouvez tester les requêtes de plusieurs façons.
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.
Si vous êtes invité à autoriser l'accès, cliquez sur "Autoriser" pour continuer.
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. 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 détails du projet à l'aide des détails de votre projet Qwiklabs.
Exemple : qwiklabs-gcp-00-2c10937585bb
gcloud config set project YOUR_QWIKLABS_PROJECT_ID
Créez un compte de service.
export LOCATION=us-central1
export PROJECT_ID=$(gcloud config get-value project)
export SERVICE_ACCOUNT_NAME='vertex-client'
export DISPLAY_NAME='Vertex Client'
gcloud iam service-accounts create $SERVICE_ACCOUNT_NAME --project $PROJECT_ID --display-name "$DISPLAY_NAME"
Attribuez des rôles.
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"
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 \
dialogflow.googleapis.com \
run.googleapis.com \
cloudresourcemanager.googleapis.com \
discoveryengine.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
Utiliser Gemini Code Assist pour expliquer le code
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. Exécutez cette commande telle quelle, sans aucune modification.
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"
Créez et stockez plusieurs secrets dans 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 $LANGCHAIN_API_KEY | \
gcloud secrets create LANGCHAIN_API_KEY \
--data-file=-
Déployez l'application sur Cloud Run.
gcloud run deploy devai-api \
--source=. \
--region="$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="$LANGCHAIN_TRACING_V2" \
--update-secrets="LANGCHAIN_API_KEY=LANGCHAIN_API_KEY:latest" \
--update-secrets="GITLAB_PERSONAL_ACCESS_TOKEN=GITLAB_PERSONAL_ACCESS_TOKEN:latest" \
--update-secrets="JIRA_API_TOKEN=JIRA_API_TOKEN:latest" \
--min-instances=1 \
--max-instances=3
Répondez Y pour créer le dépôt Docker Artifact Registry.
Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository named [cloud-run-source-deploy] in
region [us-central1] will be created.
Do you want to continue (Y/n)? y
Demandez à Gemini d'expliquer la commande:
What does this command do?
gcloud run deploy devai-api \
--source=. \
--region="$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
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.
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
La réponse sera au format Markdown. Affichage en mode Aperçu pour une meilleure lisibilité.
7. Applications de l'IA
Dans la barre de recherche de la console Google Cloud, saisissez et ouvrez "AI Applications".
Créez une application Conversational Agent:
Sélectionnez "Build your own".
Saisissez "Agent" pour le nom à afficher, puis cliquez sur "Créer".
Définissez le nom du playbook:
Agent
Définir un objectif:
Help users 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 "Save":
Testez l'agent à l'aide du chat du simulateur sur la droite:
Suivez des conversations similaires, comme indiqué ci-dessous:
Configuration des outils de l'agent
Pointez sur l'icône en forme de clé à gauche. 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:
Provides JIRA project status
Passez d'onglet et vérifiez l'URL du service Cloud Run dans la sortie de la console. Copiez la valeur de l'URL du service.
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:
/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
Enregistrez la configuration de l'outil:
Revenez à la configuration de l'agent en sélectionnant "Playbooks" (Playbooks) dans le menu de gauche, puis mettez à jour les instructions pour utiliser l'outil:
Ajoutez des instructions pour utiliser le nouvel outil, puis cliquez sur Save :
- Use ${TOOL: jira-project-status} to help the user with JIRA project status.
Passez à l'onglet "Examples" 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:
Exemple d'enchaînement :
Réponse de l'agent: Quel est l'ID du projet ?
Saisie utilisateur: TEST-PROJECT-100
Utilisation de l'outil: jira-project-status
Réponse de l'agent: Informations sur l'état du projet.
Utilisez la référence ci-dessous pour créer l'exemple.
Cliquez sur Save. Revenez au simulateur d'agent et réinitialisez les conversations existantes. Testez le parcours.
Félicitations ! En intégrant des outils liés à l'application(API) déployée sur Cloud Run, vous avez permis à l'Agent d'effectuer des actions et d'étendre ses fonctionnalités.
Consultez les bonnes pratiques pour les agents conversationnels.
Examiner les paramètres disponibles pour les agents
- Paramètres de journalisation : activer Cloud Logging
- Intégration Git : l'intégration Git vous permet de pousser et d'extraire votre agent à partir d'un dépôt Git.
- Sélection du modèle génératif
- Limites de jetons(entrée et sortie)
Examinez les commandes du simulateur d'agent:
8. Intégration dans Slack
Ouvrez le menu "Intégrations", puis cliquez sur Connect sur la carte 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 de l'agent comme valeur du champ "Jeton de signature".
Ouvrez "OAuth et autorisations", copiez le "Jeton OAuth de l'utilisateur bot", puis définissez-le dans l'intégration Slack de l'agent comme valeur du champ "Jeton d'accès".
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 "URL du webhook", puis 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.
Félicitations ! L'agent a bien été intégré à l'espace de travail Slack.
9. Questions-réponses sur des documents PDF
Cette section explique comment créer un entrepôt de données à l'aide d'un document PDF et l'associer à l'agent, ce qui active la fonctionnalité de questions/réponses en fonction du contenu du document.
Créer un bucket Cloud Storage
Ouvrez Cloud Shell: https://shell.cloud.google.com/
Définissez le nom du bucket à l'aide des cinq derniers chiffres de votre projet GCP. Exemple : pdf-docs-3dw21
BUCKET_NAME=pdf-docs-LAST-5-DIGITS-OF-YOUR-PROJECT
Créez un bucket et importez un document PDF.
gcloud storage buckets create gs://$BUCKET_NAME \
--location=us \
--default-storage-class=STANDARD \
--no-public-access-prevention \
--uniform-bucket-level-access
wget https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf
gsutil cp exec_guide_gen_ai.pdf gs://$BUCKET_NAME
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 Add data stores en bas de la page. Cliquez ensuite sur "Create new data store".
Sélectionnez "Cloud Storage" comme source de données.
Sélectionnez : Unstructured documents
Sélectionnez votre bucket/dossier GCS.
Sélectionnez "us" pour l'emplacement du data store.
Pour le nom du datastore, 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".
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. 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 Segmenter les documents pour le RAG.
En savoir plus sur l'analyse et la fragmentation de documents
Configuration de l'outil
Revenez à l'écran de configuration de l'outil Agent et actualisez les datastores disponibles.
Sélectionnez le data store que vous venez de créer, puis cliquez sur Confirm.
Configurez l'ancrage.
Saisissez "Google Cloud" comme nom de l'entreprise.
Paramètres de la charge utile : cochez "Include snippets in Conversational Messenger response payload"". Définissez la valeur sur 5.
Cliquez sur "Enregistrer".
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". Créer un exemple: Guide to generative AI
Utiliser les actions "+":
Ajoutez "Saisie utilisateur":
What are the main capabilities for generative AI?
Ajoutez "Utilisation de l'outil".
- Outil et action: "
pdf-docs"
Entrée (requestBody)
{
"query": "Main capabilities for generative AI",
"filter": "",
"userMetadata": {},
"fallback": ""
}
Résultat de l'outil:
{
"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"
}
]
}
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:
Passez au simulateur pour tester la configuration.
Question :
What are the 10 steps in the exec guide?
Sélectionnez "Agent" dans le menu déroulant "Invocations", puis cliquez sur "Save as example".
Indiquez le nom "user-question-flow".
Définissez le récapitulatif sur "Agent helped user answer question based on the pdf document", puis cliquez sur "Enregistrer".
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 au simulateur et cliquez sur Replay conversation. Vérifiez le format de réponse mis à jour. Si une erreur s'affiche après avoir enregistré l'exemple, vous devrez peut-être actualiser la fenêtre de votre navigateur et redémarrer la conversation en renvoyant l'invite:
What are the 10 steps in the exec guide?
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.
Félicitations ! L'agent peut désormais fournir des réponses fondées sur les documents PDF.
10. Agents prédéfinis
Vous allez ensuite explorer 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
- Créer et déployer des agents conversationnels
- Ajouter un outil pour l'agent basé sur l'application Cloud Run
- Intégrer l'agent à l'espace de travail Slack
- Configurer un data store pour les questions/réponses sur des documents PDF
Étapes suivantes :
- Consultez les bonnes pratiques pour les agents conversationnels.
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.