Questa pagina è stata tradotta dall'API Cloud Translation.

Agente GenAI per il controllo qualità di documenti e chiamate API

1. Panoramica

In questo lab creerai un agente di IA generativa, lo collegherai all'applicazione Cloud Run e lo integrerai nello spazio di lavoro Slack.

Cosa imparerai a fare

Il laboratorio è composto da diverse parti principali:

Esegui il deployment dell'applicazione Cloud Run per l'integrazione con le API Gemini
Crea ed esegui il deployment di Vertex AI Agent
Integrare l'agente in Slack
Configurare il data store per le domande e risposte sui documenti PDF

Prerequisiti

Questo lab presuppone familiarità con gli ambienti Cloud Console e Cloud Shell.

2. Configurazione e requisiti

Configurazione del progetto cloud

Accedi alla console Google Cloud e crea un nuovo progetto o riutilizzane uno esistente. Se non hai ancora un account Gmail o Google Workspace, devi crearne uno.

Il nome del progetto è il nome visualizzato per i partecipanti al progetto. Si tratta di una stringa di caratteri non utilizzata dalle API di Google. Puoi sempre aggiornarlo.
L'ID progetto è univoco per tutti i progetti Google Cloud ed è immutabile (non può essere modificato dopo essere stato impostato). La console Cloud genera automaticamente una stringa univoca; di solito non ti interessa quale sia. Nella maggior parte dei codelab, dovrai fare riferimento al tuo ID progetto (in genere identificato come PROJECT_ID). Se l'ID generato non ti piace, puoi generarne un altro casuale. In alternativa, puoi provare il tuo e vedere se è disponibile. Non può essere modificato dopo questo passaggio e rimane invariato per tutta la durata del progetto.
Per tua informazione, esiste un terzo valore, un Numero progetto, utilizzato da alcune API. Scopri di più su tutti e tre questi valori nella documentazione.

Successivamente, dovrai abilitare la fatturazione nella console Cloud per utilizzare le API/risorse Cloud. La partecipazione a questo codelab non ha costi, o quasi. Per arrestare le risorse ed evitare di incorrere in fatturazione al termine di questo tutorial, puoi eliminare le risorse che hai creato o il progetto. I nuovi utenti di Google Cloud sono idonei al programma Prova senza costi di 300$.

Configurazione dell'ambiente

Apri la chat di Gemini.

Abilita l'API Cloud AI Companion:

Fai clic su "Start chatting" e segui una delle domande di esempio o digita il tuo prompt per provarlo.

Prompt da provare:

Spiega Cloud Run in 5 punti chiave.
Sei un Product Manager di Google Cloud Run e devi spiegare Cloud Run a uno studente in 5 brevi punti chiave.
Sei un Product Manager di Google Cloud Run e devi spiegare Cloud Run a uno sviluppatore Kubernetes certificato in 5 brevi punti chiave.
Sei un Product Manager di Google Cloud Run. Spiega a uno sviluppatore senior quando utilizzeresti Cloud Run rispetto a GKE in 5 brevi punti chiave.

Consulta la guida ai prompt per scoprire di più su come scrivere prompt migliori.

In che modo Gemini for Google Cloud utilizza i tuoi dati

Impegno di Google per la privacy

Google è stata una delle prime aziende del settore a pubblicare un impegno in materia di privacy AI/ML, che illustra la nostra convinzione che i clienti debbano disporre del massimo livello di sicurezza e controllo sui propri dati archiviati nel cloud.

Dati che invii e ricevi

Le domande che fai a Gemini, incluse le informazioni di input o il codice che invii a Gemini per l'analisi o il completamento, sono chiamate prompt. Le risposte o i completamenti di codice che ricevi da Gemini sono chiamati risposte. Gemini non utilizza i tuoi prompt o le relative risposte come dati per addestrare i propri modelli.

Crittografia dei prompt

Quando invii prompt a Gemini, i tuoi dati vengono criptati in transito come input al modello sottostante in Gemini.

Dati del programma generati da Gemini

Gemini viene addestrato sul codice proprietario di Google Cloud e su codice di terze parti selezionato. Sei responsabile della sicurezza, dei test e dell'efficacia del tuo codice, incluse eventuali operazioni di completamento, generazione o analisi del codice offerte da Gemini.

Scopri di più su come Google gestisce i tuoi prompt.

3. Opzioni per testare i prompt

Hai a disposizione diverse opzioni per testare i prompt.

Vertex AI Studio

Vertex AI Studio fa parte della piattaforma Vertex AI di Google Cloud, progettata specificamente per semplificare e accelerare lo sviluppo e l'utilizzo dei modelli di IA generativa.

Google AI Studio

Google AI Studio è uno strumento basato sul web per la prototipazione e la sperimentazione della progettazione di prompt e dell'API Gemini.

App web Gemini (gemini.google.com)

L'app web Google Gemini (gemini.google.com) è uno strumento basato sul web progettato per aiutarti a esplorare e utilizzare la potenza dei modelli di IA di Gemini di Google.

App mobile Google Gemini per Android e app Google su iOS

4. Clona il repository

Torna alla console Google Cloud e attiva Cloud Shell facendo clic sull'icona a destra della barra di ricerca.

Nel terminale aperto, esegui i seguenti comandi

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

cd genai-for-developers

git checkout slack-agent-jira-lab

Fai clic su "Apri editor".

Utilizzando l'elemento di menu "File / Open Folder", apri "genai-for-developers".

Aprire un nuovo terminale

5. Crea service account

Crea un nuovo account di servizio e le relative chiavi.

Utilizzerai questo account di servizio per effettuare chiamate API all'API Vertex AI Gemini dall'applicazione Cloud Run.

Configura i dettagli del progetto utilizzando i dettagli del progetto Qwiklabs.

Esempio: qwiklabs-gcp-00-2c10937585bb

gcloud config set project YOUR_QWIKLABS_PROJECT_ID

Crea l'account di servizio e assegna i ruoli.

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

Se ti viene chiesto di autorizzare, fai clic su "Autorizza" per continuare.

Abilita i servizi richiesti per utilizzare le API Vertex AI e la chat Gemini.

gcloud services enable \
    generativelanguage.googleapis.com \
    aiplatform.googleapis.com \
    cloudaicompanion.googleapis.com \
    run.googleapis.com \
    cloudresourcemanager.googleapis.com

Abilita i servizi richiesti per utilizzare le API Vertex AI e la 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

Attivare Gemini Code Assist

Fai clic sull'icona "Gemini" nell'angolo in basso a destra, poi su "Sign-in" e "Select Google Cloud project".

Nella finestra popup, seleziona il tuo progetto Qwiklabs.

Esempio:

Apri il file "devai-api/app/routes.py", fai clic con il tasto destro del mouse in un punto qualsiasi del file e seleziona "Gemini Code Assist > Explain this"" dal menu contestuale.

Esamina la spiegazione di Gemini per il file selezionato.

6. Esegui il deployment di Devai-API in Cloud Run

Verifica di trovarti nella cartella corretta.

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

Per questo lab, seguiamo le best practice e utilizziamo Secret Manager per archiviare e fare riferimento ai valori del token di accesso e della chiave API LangChain in Cloud Run.

Imposta le variabili di ambiente.

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"

Memorizza il token di accesso JIRA in Secret Manager.

echo -n $JIRA_API_TOKEN | \
 gcloud secrets create JIRA_API_TOKEN \
 --data-file=-

Memorizza il token di accesso GitLab in Secret Manager.

echo -n $GITLAB_PERSONAL_ACCESS_TOKEN | \
 gcloud secrets create GITLAB_PERSONAL_ACCESS_TOKEN \
 --data-file=-

Memorizza la chiave API LangChain in Secret Manager.

echo -n $LANGCHAIN_API_KEY | \
 gcloud secrets create LANGCHAIN_API_KEY \
 --data-file=-

Esegui il deployment dell'applicazione in 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

Rispondi Y per creare il repository Docker di 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

Chiedi a Gemini di spiegare il comando:

Esamina il flusso gcloud run deploy SERVICE_NAME --source=. di seguito. Scopri di più.

Dietro le quinte, questo comando utilizza buildpacks e Cloud Build di Google Cloud per creare automaticamente immagini container dal codice sorgente senza dover installare Docker sulla tua macchina o configurare i buildpack o Cloud Build. In altre parole, il singolo comando descritto sopra esegue l'operazione che altrimenti richiederebbe i comandi gcloud builds submit e gcloud run deploy.

Se hai fornito il Dockerfile(come abbiamo fatto in questo repository), Cloud Build lo utilizzerà per creare immagini container anziché fare affidamento sui buildpack per rilevare e creare automaticamente le immagini container. Per scoprire di più sui buildpack, consulta la documentazione.

Esamina i log di Cloud Build nella console.

Esamina l'immagine Docker creata in Artifact Registry.

Apri cloud-run-source-deploy/devai-api e controlla le vulnerabilità rilevate automaticamente. Controlla quelli per cui sono disponibili correzioni e scopri come possono essere corretti in base alla descrizione.

Esamina i dettagli dell'istanza Cloud Run in Cloud Console.

Testa l'endpoint eseguendo il comando curl.

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

Esamina l'output:

7. Vertex AI Agent Builder

Cerca e apri "Agent Builder".

Attivazione delle API

Crea app agente:

Digita "Agente" per il nome visualizzato e fai clic su "Accetta e crea".

Imposta il nome dell'agente:

Agent

Imposta obiettivo:

Help user with questions about JIRA project

Istruzioni per l'impostazione:

- 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.

Fai clic su "Salva":

Testa l'agente utilizzando la chat dell'emulatore sul lato destro:

Apri il menu Strumenti e crea un nuovo strumento:

Seleziona OpenAPI dal menu a discesa Tipo.

Imposta il nome dello strumento:

jira-project-status

Imposta descrizione:

Returns JIRA project status

Imposta Schema (YAML) - sostituisci IL TUO 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

Salva la configurazione dello strumento:

Torna alla configurazione dell'agente e alle istruzioni di aggiornamento per utilizzare lo strumento:

Aggiungi le istruzioni per utilizzare il nuovo strumento:

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

Passa alla scheda Esempi e aggiungi un nuovo esempio:

Imposta il nome visualizzato:

jira-project-flow

Utilizza il menu in basso per modellare la conversazione tra utente e agente:

Configurazione dell'invocazione dello strumento:

Fai clic su Salva e Annulla. Torna all'emulatore di agenti e testa il flusso.

Esamina le best practice per Vertex AI Agents

Impostazioni agente

Logging settings (Impostazioni di registrazione nel log)

Configurazione del modello.

Integrazione di GitHub per eseguire il push e il ripristino della configurazione dell'agente.

Controlli dell'emulatore dell'agente:

8. Integrazione di Slack

Apri il menu Integrazioni e fai clic su "Connetti" nel riquadro di Slack.

Apri il link e crea una nuova app Slack all'indirizzo https://api.slack.com/apps

Seleziona "Manifest":

Scegli uno spazio di lavoro per sviluppare la tua app

Passa a YAML e incolla questo manifest:

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

Fai clic su "Crea":

Installa in Workspace:

Seleziona il canale "#general" e fai clic su "Consenti".

In "Informazioni di base / Credenziali app", copia "Signing Secret" e impostalo nell'integrazione di Slack.

Apri "OAuth e autorizzazioni ", copia"Token OAuth utente bot " e impostalo nell'integrazione di Slack.

Imposta i campi obbligatori e fai clic su "Inizia".

Il valore "Access Token " dell'agente è "Token OAUth utente bot" di Slack.

Il valore "Token di firma " dell'agente è "Signing Secret" di Slack.

Copia "URL webhook" e torna alla configurazione dell'app Slack.

Apri la sezione "Iscrizioni agli eventi" e incolla l'URL.

Salva le modifiche.

Apri "Slack" e aggiungi un agente digitando "@Agent".

Ad esempio, l'aggiunta di un'app con il nome "@CX".

Chiedi all'agente un riepilogo del progetto JIRA.

9. Domande e risposte sui documenti PDF

Crea un bucket Cloud Storage

Apri GCS nella console Cloud: https://console.cloud.google.com/storage/browser

Crea un nuovo bucket.

Per il nome del bucket, digita: "pdf-docs" + le ultime 5 cifre del tuo progetto Google Cloud.

Tipo di località: multi-region, us.

Classe di archiviazione: Standard

Controllo dell'accesso: Uniform

Protezione dei dati: uncheck soft delete policy

Fai clic su "Create".

Conferma "L'accesso pubblico verrà vietato".

Scarica il report PDF e caricalo nel bucket. https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf

Visualizzazione del bucket con il file caricato:

Configurazione del datastore

Torna alla console dell'agente e apri "Agent", scorri verso il basso e fai clic su "+ Data store".

Utilizza i seguenti valori:

Nome dello strumento: pdf-docs

Tipo: Data store

Descrizione: pdf-docs

Fai clic su "Save"

Fai clic su "Create a data store" in fondo alla pagina.

Fai clic su "AGREE" quando ti viene chiesto "Accetti che i tuoi datastore per Search and Conversation siano disponibili nella regione degli Stati Uniti?"

Digita "Google" nel campo "Fornisci l'azienda".

Nella schermata successiva, fai clic su "CREATE DATA STORE".

Seleziona "Cloud Storage" come origine dati.

Preparare i dati per l'importazione

https://cloud.google.com/generative-ai-app-builder/docs/prepare-data

I file HTML e TXT devono avere dimensioni massime pari a 2,5 MB.

I file PDF, PPTX e DOCX devono avere dimensioni massime pari a 100 MB.

Puoi importare fino a 100.000 file alla volta.

Seleziona: unstructured documents

Seleziona il bucket/la cartella GCS.

Fai clic su Continua:

Per il tipo di nome dell'archivio dati: "pdf-docs"

Seleziona "Digital parser" dal menu a discesa.

Attiva il chunking avanzato.

Attiva le intestazioni dei predecessori nei chunk.

Fai clic su "Create".

Seleziona il data store e fai clic su "Create".

Fai clic sul datastore ed esamina Documenti, Attività e Configurazione di elaborazione.

Il completamento dell'importazione richiede circa 5-10 minuti.

Opzioni di analisi e suddivisione in blocchi

Puoi controllare l'analisi dei contenuti nei seguenti modi:

Parser digitale. Il parser digitale è attivo per impostazione predefinita per tutti i tipi di file, a meno che non venga specificato un tipo di parser diverso. L'analizzatore digitale elabora i documenti importati se non è specificato nessun altro analizzatore predefinito per l'archivio dati o se l'analizzatore specificato non supporta il tipo di file di un documento importato.
Analisi OCR per i PDF. Anteprima pubblica. Se prevedi di caricare PDF scansionati o PDF con testo all'interno delle immagini, puoi attivare l'analizzatore OCR per migliorare l'indicizzazione dei PDF. Consulta Informazioni sull'analisi dell'OCR per i PDF.
Parser del layout. Anteprima pubblica. Attiva l'analizzatore del layout per i file HTML, PDF o DOCX se prevedi di utilizzare Vertex AI Search per RAG. Per informazioni su questo parser e su come attivarlo, consulta Eseguire il chunking dei documenti per RAG.

Scopri di più sull'analisi e il chunking dei documenti .

Configurazione dello strumento

Torna alla scheda con la configurazione degli strumenti.

Aggiorna il browser e seleziona "pdf-docs" dal menu a discesa Non strutturato.

Configura la messa a terra.

Digita "Google" come nome dell'azienda.

Impostazioni del payload: seleziona "Include snippets in the response payload"

Fai clic su "Save".

Configurazione delle istruzioni dell'agente

Torna alla configurazione dell'agente.

Aggiungi una nuova istruzione:

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

Salva la configurazione.

Creare un esempio per lo strumento PDF-Docs

Passa alla scheda Esempi. Crea un nuovo esempio.

Utilizzo delle azioni "+":

Aggiungi "Input utente":

What are the main capabilities?

Aggiungi "Utilizzo dello strumento".

Strumento e azione: "pdf-docs"

Input (requestBody)

{
  "query": "Main capabilities",
  "filter": "",
  "userMetadata": {},
  "fallback": ""
}

Output dello strumento:

{
  "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"
    }
  ]
}

Aggiungi "Risposta dell'agente"

Detailed answer about main capabilities. 

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

Esempio di configurazione:

Configurazione dell'invocazione dello strumento:

Testa la configurazione inviando una domanda all'agente nell'emulatore.

Domanda:

What are the 10 steps in the exec guide?

Seleziona "Agent" e fai clic su "Save example".

Assegna un nome "user-question-flow" e salva.

Formatta la risposta dell'agente e includi il link al documento PDF dalla sezione di output dello strumento.

Salva l'esempio.

Torna all'emulatore e fai clic su "Replay conversation". Controlla il formato della risposta aggiornato.

Fai un'altra domanda:

What are the main capabilities in the exec guide?

Documento PDF di origine.

Domanda:

What should I consider when evaluating projects?

Documento PDF di origine.

Domanda:

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

Documento PDF di origine.

10. Agenti predefiniti

Esplora gli agenti predefiniti dal menu a sinistra.

Seleziona uno degli agenti e esegui il deployment. Esplora la configurazione, le istruzioni e gli strumenti dell'agente.

11. Complimenti!

Complimenti, hai completato il lab.

Argomenti trattati:

Come eseguire il deployment dell'applicazione Cloud Run per l'integrazione con le API Gemini
Come creare ed eseguire il deployment di Vertex AI Agent
Come aggiungere l'integrazione di Slack per l'agente
Come configurare il datastore per le domande e risposte sui documenti PDF

Passaggi successivi

Esamina le best practice per Vertex AI Agents

Esegui la pulizia

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

Elimina il progetto

Il modo più semplice per eliminare la fatturazione è eliminare il progetto che hai creato per il tutorial.