Halaman ini diterjemahkan oleh Cloud Translation API.

Agen GenAI di Slack untuk Tanya Jawab tentang dokumen dan tindakan dengan panggilan API

1. Ringkasan

Di lab ini, Anda akan membuat Agen GenAI, menghubungkannya ke aplikasi Cloud Run, dan mengintegrasikan agen ke ruang kerja Slack.

Yang akan Anda pelajari

Ada beberapa bagian utama dalam lab ini:

Men-deploy aplikasi Cloud Run untuk berintegrasi dengan Gemini API
Membuat dan men-deploy Agen Percakapan di Aplikasi AI
Mengintegrasikan Agen ke Slack
Mengonfigurasi penyimpanan data untuk Tanya Jawab melalui dokumen PDF

Prasyarat

Di lab ini, Anda dianggap telah memahami Konsol Cloud dan lingkungan Cloud Shell.

2. Penyiapan dan Persyaratan

Penyiapan Project Cloud

Login ke Google Cloud Console dan buat project baru atau gunakan kembali project yang sudah ada. Jika belum memiliki akun Gmail atau Google Workspace, Anda harus membuatnya.

Project name adalah nama tampilan untuk peserta project ini. String ini adalah string karakter yang tidak digunakan oleh Google API. Anda dapat memperbaruinya kapan saja.
Project ID bersifat unik di semua project Google Cloud dan tidak dapat diubah (tidak dapat diubah setelah ditetapkan). Cloud Console otomatis membuat string unik; biasanya Anda tidak mementingkan kata-katanya. Di sebagian besar codelab, Anda harus merujuk Project ID-nya (umumnya diidentifikasi sebagai PROJECT_ID). Jika tidak suka dengan ID yang dibuat, Anda dapat membuat ID acak lainnya. Atau, Anda dapat mencobanya sendiri, dan lihat apakah ID tersebut tersedia. ID tidak dapat diubah setelah langkah ini dan tersedia selama durasi project.
Sebagai informasi, ada nilai ketiga, Project Number, yang digunakan oleh beberapa API. Pelajari lebih lanjut ketiga nilai ini di dokumentasi.

Selanjutnya, Anda harus mengaktifkan penagihan di Konsol Cloud untuk menggunakan resource/API Cloud. Menjalankan operasi dalam codelab ini tidak akan memakan banyak biaya, bahkan mungkin tidak sama sekali. Guna mematikan resource agar tidak menimbulkan penagihan di luar tutorial ini, Anda dapat menghapus resource yang dibuat atau menghapus project-nya. Pengguna baru Google Cloud memenuhi syarat untuk mengikuti program Uji Coba Gratis senilai $300 USD.

Penyiapan Lingkungan

Buka chat Gemini.

Aktifkan Gemini for Google Cloud API:

Klik "Start chatting" dan ikuti salah satu contoh pertanyaan atau ketik perintah Anda sendiri untuk mencobanya.

Perintah yang dapat dicoba:

Jelaskan Cloud Run dalam 5 poin utama.
Anda adalah Product Manager Google Cloud Run, jelaskan Cloud Run kepada seorang siswa dalam 5 poin penting singkat.
Anda adalah Product Manager Google Cloud Run, jelaskan Cloud Run kepada Developer Kubernetes Bersertifikat dalam 5 poin penting singkat.
Anda adalah Product Manager Google Cloud Run, jelaskan kapan Anda akan menggunakan Cloud Run versus GKE kepada Developer Senior dalam 5 poin penting singkat.

Lihat Panduan Perintah untuk mempelajari lebih lanjut cara menulis perintah yang lebih baik.

Cara Gemini untuk Google Cloud menggunakan data Anda

Komitmen privasi Google

Google adalah salah satu yang pertama di industri yang memublikasikan komitmen privasi AI/ML, yang menguraikan keyakinan kami bahwa pelanggan harus memiliki tingkat keamanan dan kontrol tertinggi atas data mereka yang disimpan di cloud.

Data yang Anda kirimkan dan terima

Pertanyaan yang Anda ajukan kepada Gemini, termasuk informasi input atau kode yang Anda kirimkan ke Gemini untuk dianalisis atau diselesaikan, disebut perintah. Jawaban atau penyelesaian kode yang Anda terima dari Gemini disebut respons. Gemini tidak menggunakan perintah Anda atau responsnya sebagai data untuk melatih modelnya.

Enkripsi perintah

Saat Anda mengirimkan perintah ke Gemini, data Anda dienkripsi selama pengiriman sebagai input ke model pokok di Gemini.

Data program yang dihasilkan dari Gemini

Gemini dilatih dengan kode Google Cloud pihak pertama serta kode pihak ketiga yang dipilih. Anda bertanggung jawab atas keamanan, pengujian, dan efektivitas kode Anda, termasuk penyelesaian, pembuatan, atau analisis kode yang ditawarkan Gemini kepada Anda.

Pelajari lebih lanjut cara Google menangani perintah Anda.

3. Opsi untuk menguji perintah

Anda memiliki beberapa opsi untuk menguji perintah.

Vertex AI Studio

Vertex AI Studio adalah bagian dari platform Vertex AI Google Cloud, yang dirancang khusus untuk menyederhanakan dan mempercepat pengembangan serta penggunaan model AI generatif.

Google AI Studio

Google AI Studio adalah alat berbasis web untuk membuat prototipe dan bereksperimen dengan rekayasa perintah dan Gemini API.

Aplikasi Web Gemini (gemini.google.com)

Aplikasi web Google Gemini (gemini.google.com) adalah alat berbasis web yang dirancang untuk membantu Anda menjelajahi dan memanfaatkan kecanggihan model AI Gemini Google.

Aplikasi seluler Google Gemini untuk Android dan aplikasi Google di iOS

4. Meng-clone repo

Kembali ke Konsol Google Cloud dan aktifkan Cloud Shell dengan mengklik ikon di sebelah kanan kotak penelusuran.

Jika diminta untuk memberikan otorisasi, klik "Authorize" untuk melanjutkan.

Di terminal yang terbuka, jalankan perintah berikut

git clone https://github.com/GoogleCloudPlatform/genai-for-developers.git

cd genai-for-developers

git checkout slack-agent-jira-lab

Klik "Buka Editor"

Dengan menggunakan item menu "File / Open Folder", buka "genai-for-developers".

Membuka terminal baru

5. Buat Akun Layanan

Buat akun layanan baru. Anda akan menggunakan akun layanan ini untuk melakukan panggilan API ke Vertex AI Gemini API dari aplikasi Cloud Run.

Konfigurasikan detail project menggunakan detail project qwiklabs Anda.

Contoh: qwiklabs-gcp-00-2c10937585bb

gcloud config set project YOUR_QWIKLABS_PROJECT_ID

Membuat akun layanan.

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"

Berikan peran.

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"

Aktifkan layanan yang diperlukan untuk menggunakan Vertex AI API dan 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

Aktifkan layanan yang diperlukan untuk menggunakan Vertex AI API dan 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

Menggunakan Gemini Code Assist untuk penjelasan kode

Buka file "devai-api/app/routes.py", lalu klik kanan di mana saja dalam file dan pilih "Gemini Code Assist > Explain this" dari menu konteks.

Tinjau penjelasan Gemini untuk file yang dipilih.

6. Men-deploy Devai-API ke Cloud Run

Pastikan Anda berada di folder yang benar.

cd ~/genai-for-developers/devai-api

Untuk lab ini, kita akan mengikuti praktik terbaik dan menggunakan Secret Manager untuk menyimpan dan mereferensikan nilai Token Akses dan Kunci API LangChain di Cloud Run.

Menetapkan variabel lingkungan. Jalankan perintah ini apa adanya tanpa perubahan apa pun.

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"

Buat dan simpan beberapa secret di 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=-

Men-deploy aplikasi ke 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

Jawab Y untuk membuat repositori 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

Minta Gemini untuk menjelaskan perintah:

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

Tinjau alur gcloud run deploy SERVICE_NAME --source=. di bawah. Pelajari lebih lanjut.

Di balik layar, perintah ini menggunakan buildpacks dan Cloud Build Google Cloud untuk mem-build image container secara otomatis dari kode sumber Anda tanpa harus menginstal Docker di komputer atau menyiapkan buildpack atau Cloud Build. Artinya, satu perintah yang dijelaskan di atas melakukan apa yang sebaliknya memerlukan perintah gcloud builds submit dan gcloud run deploy.

Jika Anda telah menyediakan Dockerfile(yang telah kita lakukan di repositori ini), Cloud Build akan menggunakannya untuk mem-build image container, bukan mengandalkan buildpack untuk mendeteksi dan mem-build image container secara otomatis. Untuk mempelajari buildpack lebih lanjut, lihat dokumentasi.

Tinjau log Cloud Build di Konsol.

Tinjau image Docker yang dibuat di Artifact Registry.

Tinjau detail instance Cloud Run di Cloud Console.

Uji endpoint dengan menjalankan perintah curl.

curl -X POST \
   -H "Content-Type: application/json" \
   -d '{"prompt": "PROJECT-100"}' \
   $(gcloud  run services list --filter="(devai-api)" --format="value(URL)")/generate

Respons akan dalam format markdown. Menampilkan dalam mode pratinjau untuk keterbacaan yang lebih baik.

7. Aplikasi AI

Di kotak penelusuran Konsol Google Cloud, ketik dan buka "AI Applications".

Buat aplikasi Conversational Agent:

Pilih "Build your own".

Ketik "Agent" untuk Nama tampilan, lalu klik "Buat".

Tetapkan Nama Playbook:

Agent

Tetapkan Sasaran:

Help users with questions about JIRA project

Petunjuk Set:

- 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.

Klik "Save":

Uji Agen menggunakan chat simulator di sebelah kanan:

Ikuti percakapan serupa seperti yang ditunjukkan di bawah ini:

Konfigurasi Alat Agen

Arahkan kursor ke ikon kunci pas di sebelah kiri. Buka menu Alat dan buat Alat baru:

Pilih OpenAPI dari dropdown Jenis.

Menetapkan Nama Alat:

jira-project-status

Tetapkan Deskripsi:

Provides JIRA project status

Beralih tab dan periksa output konsol untuk URL layanan Cloud Run. Salin nilai URL layanan.

Set Schema (YAML) - ganti URL CLOUD RUN ANDA.

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

Simpan konfigurasi Alat:

Kembali ke konfigurasi Agen dengan memilih "Playbook" dari menu kiri dan perbarui petunjuk untuk menggunakan alat ini:

Tambahkan petunjuk untuk menggunakan alat baru, lalu klik "Save":

- Use ${TOOL: jira-project-status} to help the user with JIRA project status.

Beralih ke tab "Examples" dan tambahkan contoh baru:

Menetapkan Nama Tampilan:

jira-project-flow

Dengan menggunakan menu di bagian bawah, buat model percakapan antara pengguna dan agen:

Contoh pertanyaan:

Respons agen: Apa project ID-nya?

Input pengguna: TEST-PROJECT-100

Penggunaan alat: jira-project-status

Respons agen: Detail status project.

Gunakan referensi di bawah untuk membuat contoh.

Klik Save. Kembali ke simulator Agen dan reset percakapan yang ada. Uji alur.

Selamat! Dengan mengintegrasikan alat yang ditautkan ke aplikasi(API) yang di-deploy di Cloud Run, Anda telah berhasil memberdayakan Agen untuk melakukan tindakan dan memperluas kemampuan Agen.

Tinjau Praktik Terbaik untuk Agen Percakapan

Meninjau Setelan Agen yang Tersedia

Setelan logging - Mengaktifkan Cloud Logging
Integrasi Git - Integrasi Git memungkinkan Anda mengirim dan menarik agen dari repositori Git.
Pemilihan model generatif
Batas token(input dan output)

Tinjau kontrol simulator Agen:

8. Integrasi Slack

Buka menu Integrasi, lalu klik "Connect" di kartu Slack.

Buka link dan buat aplikasi Slack baru di https://api.slack.com/apps

Pilih dari "Manifes":

Memilih ruang kerja untuk mengembangkan aplikasi

Beralihlah ke YAML dan tempel manifes ini:

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

Klik "Buat":

Menginstal ke Workspace:

Pilih saluran "#general" dan klik "Izinkan"

Di bagian "Informasi Dasar / Kredensial Aplikasi" - salin "Signing Secret" dan tetapkan di integrasi Slack Agen sebagai nilai untuk kolom "Signing Token".

Buka "OAuth & Permissions", lalu salin "Bot User OAuth Token" dan tetapkan di integrasi Slack Agen sebagai nilai untuk kolom "Access token".

Tetapkan kolom yang wajib diisi, lalu klik "Mulai".

Nilai "Access Token" agen adalah "Bot User OAUth Token" dari Slack.

Nilai "Signing Token" agen adalah "Signing Secret" dari Slack.

Salin "Webhook URL" dan kembali ke konfigurasi aplikasi Slack.

Buka bagian "Langganan Peristiwa" dan tempel URL.

Simpan perubahan.

Buka "Slack" dan tambahkan agen dengan mengetik "@Agent".

Misalnya, menambahkan aplikasi dengan nama "@CX".

Minta ringkasan project JIRA kepada agen.

Selamat! Agen telah berhasil diintegrasikan ke ruang kerja Slack.

9. Tanya jawab tentang dokumen PDF

Bagian ini menguraikan cara membuat penyimpanan data menggunakan dokumen PDF dan menautkannya ke Agen, sehingga memungkinkan fungsi Tanya Jawab berdasarkan konten dokumen.

Membuat Bucket Cloud Storage

Buka Cloud Shell: https://shell.cloud.google.com/

Tetapkan nama bucket menggunakan 5 digit terakhir project GCP Anda. Contoh: pdf-docs-3dw21

BUCKET_NAME=pdf-docs-LAST-5-DIGITS-OF-YOUR-PROJECT

Buat bucket dan upload dokumen 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

Konfigurasi penyimpanan data

Kembali ke Konsol Agen dan buka "Agent", scroll ke bawah, lalu klik "+ Data store".

Gunakan nilai berikut:

Nama alat: pdf-docs

Jenis: Data store

Deskripsi: pdf-docs

Klik "Save"

Klik "Add data stores" di bagian bawah halaman. Kemudian, klik "Create new data store".

Pilih "Cloud Storage" sebagai sumber data.

Pilih: Unstructured documents

Lalu, pilih bucket/folder GCS Anda.

Pilih "us" untuk lokasi penyimpanan data.

Untuk nama penyimpanan data, ketik: "pdf-docs"

Pilih "Digital parser" dari dropdown.

Aktifkan pengelompokan lanjutan.

Mengaktifkan judul ancestor dalam beberapa bagian.

Klik "Create".

Klik penyimpanan data dan tinjau Dokumen, Aktivitas, dan Konfigurasi Pemrosesan.

Perlu waktu sekitar 5-10 menit untuk menyelesaikan impor.

Opsi Mengurai dan Membagi

Anda dapat mengontrol penguraian konten dengan cara berikut:

Parser digital. Parser digital aktif secara default untuk semua jenis file, kecuali jika jenis parser yang berbeda ditentukan. Parser digital memproses dokumen yang ditransfer jika tidak ada parser default lain yang ditentukan untuk penyimpanan data atau jika parser yang ditentukan tidak mendukung jenis file dokumen yang ditransfer.
Pemrosesan OCR untuk PDF. Pratinjau publik. Jika berencana mengupload PDF yang dipindai atau PDF dengan teks di dalam gambar, Anda dapat mengaktifkan parser OCR untuk meningkatkan pengindeksan PDF. Lihat Tentang penguraian OCR untuk PDF.
Parser tata letak. Aktifkan parser tata letak untuk file HTML, PDF, atau DOCX jika Anda berencana menggunakan Vertex AI Search untuk RAG. Lihat Membuat dokumen menjadi beberapa bagian untuk RAG untuk mengetahui informasi tentang parser ini dan cara mengaktifkannya.

Pelajari lebih lanjut cara mengurai dan mengelompokkan dokumen.

Konfigurasi alat

Kembali ke layar konfigurasi Alat Agen dan muat ulang penyimpanan data yang tersedia.

Pilih penyimpanan data yang baru saja Anda buat, lalu klik "Confirm".

Konfigurasikan pentanahan.

Ketik "Google Cloud" untuk nama perusahaan.

Setelan payload - centang "Include snippets in Conversational Messenger response payload". Tetapkan nilai ke 5.

Klik "Simpan".

Konfigurasi petunjuk agen

Kembali ke Konfigurasi agen.

Tambahkan petunjuk baru:

- Provide detailed answer to users questions about the exec guide to gen ai using information in the ${TOOL:pdf-docs}

Simpan konfigurasi.

Membuat contoh untuk alat PDF-Docs

Beralihlah ke tab Contoh. Buat contoh baru: Guide to generative AI

Menggunakan tindakan "+":

Tambahkan "Input pengguna":

What are the main capabilities for generative AI?

Tambahkan "Penggunaan alat".

Alat & Tindakan: "pdf-docs"

Input (requestBody)

{
  "query": "Main capabilities for generative AI",
  "filter": "",
  "userMetadata": {},
  "fallback": ""
}

Output Alat:

{
  "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"
    }
  ]
}

Menambahkan "Respons agen"

Detailed answer about main capabilities. 

https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf

Contoh yang dikonfigurasi:

Konfigurasi pemanggilan alat:

Beralih ke simulator untuk menguji konfigurasi.

Pertanyaan:

What are the 10 steps in the exec guide?

Pilih "Agent" dari dropdown Panggilan dan klik "Save as example".

Berikan nama "user-question-flow".

Tetapkan ringkasan: "Agent helped user answer question based on the pdf document", lalu klik Simpan.

Format respons agen dan sertakan link ke dokumen pdf dari bagian output alat.

Simpan contoh.

Kembali ke simulator dan klik "Replay conversation". Periksa format respons yang diperbarui. Jika Anda melihat error setelah menyimpan contoh, Anda mungkin harus memuat ulang jendela browser dan memulai ulang percakapan dengan mengirim perintah lagi:

What are the 10 steps in the exec guide?

Ajukan pertanyaan lain:

What are the main capabilities in the exec guide?

Dokumen PDF sumber.

Pertanyaan:

What should I consider when evaluating projects?

Dokumen PDF sumber.

Pertanyaan:

What are the priority use cases in Retail and CPG in the exec guide?

Dokumen PDF sumber.

Selamat! Agen kini dapat memberikan jawaban yang relevan berdasarkan dokumen PDF.

10. Agen Siap Pakai

Selanjutnya, Anda akan menjelajahi Agen bawaan dari menu di sebelah kiri.

Pilih salah satu agen dan deploy. Pelajari penyiapan, petunjuk, dan alat Agen.

11. Selamat!

Selamat, Anda telah menyelesaikan lab!

Yang telah kita bahas:

Cara membuat dan men-deploy Agen Percakapan
Cara menambahkan Alat untuk Agen yang didukung oleh aplikasi Cloud Run
Cara mengintegrasikan agen ke ruang kerja Slack
Cara mengonfigurasi penyimpanan data untuk Tanya Jawab melalui dokumen PDF

Langkah berikutnya:

Tinjau Praktik Terbaik untuk Agen Percakapan

Pembersihan

Agar tidak dikenai biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus project

Cara termudah untuk menghilangkan penagihan adalah dengan menghapus project yang Anda buat untuk tutorial.

©2024 Google LLC Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang dari tiap-tiap perusahaan yang bersangkutan.