ドキュメントと API 呼び出しの QA 用の生成 AI エージェント

1. 概要

このラボでは、GenAI エージェントを作成し、Cloud Run アプリケーションに接続して、エージェントを Slack ワークスペースに統合します。

8541c95a7fbc9be7.png

学習内容

このラボは主に次の部分で構成されています。

  • Cloud Run アプリケーションをデプロイして Gemini API と統合する
  • Vertex AI エージェントを作成してデプロイする
  • エージェントを Slack に統合する
  • PDF ドキュメントを介した Q&A 用のデータストアを構成する

前提条件

  • このラボは、Cloud コンソールと Cloud Shell 環境に精通していることを前提としています。

2. 設定と要件

Cloud プロジェクトの設定

  1. Google Cloud Console にログインして、プロジェクトを新規作成するか、既存のプロジェクトを再利用します。Gmail アカウントも Google Workspace アカウントもまだお持ちでない場合は、アカウントを作成してください。

fbef9caa1602edd0.png

a99b7ace416376c4.png

5e3ff691252acf41.png

  • プロジェクト名は、このプロジェクトの参加者に表示される名称です。Google API では使用されない文字列です。いつでも更新できます。
  • プロジェクト ID は、すべての Google Cloud プロジェクトにおいて一意でなければならず、不変です(設定後は変更できません)。Cloud コンソールでは一意の文字列が自動生成されます。通常は、この内容を意識する必要はありません。ほとんどの Codelab では、プロジェクト ID(通常は PROJECT_ID と識別されます)を参照する必要があります。生成された ID が好みではない場合は、ランダムに別の ID を生成できます。または、ご自身で試して、利用可能かどうかを確認することもできます。このステップ以降は変更できず、プロジェクトを通して同じ ID になります。
  • なお、3 つ目の値として、一部の API が使用するプロジェクト番号があります。これら 3 つの値について詳しくは、こちらのドキュメントをご覧ください。
  1. 次に、Cloud のリソースや API を使用するために、Cloud コンソールで課金を有効にする必要があります。この Codelab の操作をすべて行って、費用が生じたとしても、少額です。このチュートリアルの終了後に請求が発生しないようにリソースをシャットダウンするには、作成したリソースを削除するか、プロジェクトを削除します。Google Cloud の新規ユーザーは、300 米ドル分の無料トライアル プログラムをご利用いただけます。

環境設定

Gemini チャットを開きます。

e1e9ad314691368a.png

Cloud AI Companion API を有効にします。

66cb6e561e384bbf.png

[Start chatting] をクリックして、サンプルの質問のいずれかを使用するか、独自のプロンプトを入力して試します。

5482c153eef23126.png

プロンプトの例:

  • Cloud Run の 5 つの主なポイントについて説明します。
  • Google Cloud Run プロダクト マネージャーとして、Cloud Run を 5 つの重要なポイントにまとめ、学生に説明します。
  • Google Cloud Run プロダクト マネージャーとして、認定 Kubernetes デベロッパーに Cloud Run を 5 つの重要なポイントで説明します。
  • Google Cloud Run プロダクト マネージャーとして、Cloud Run と GKE のどちらを使用するかを、シニア デベロッパーに 5 つの重要なポイントで説明します。

より良いプロンプトの作成方法については、プロンプト ガイドをご覧ください。

Gemini for Google Cloud がデータを使用する方法

Google のプライバシーに関する取り組み

Google は、AI/ML プライバシー コミットメントを業界で最初に発表した企業の 1 つです。これは、お客様がクラウドに保存されている自社のデータについて最高レベルのセキュリティとコントロールを得るべきだという、Google の信念を概説したものです。

送信および受信するデータ

Gemini に尋ねる質問(Gemini に送信して分析または完成される入力情報やコードなど)は、プロンプトと呼ばれます。Gemini から受け取る回答やコード補完は、レスポンスと呼ばれます。Gemini がプロンプトやそのレスポンスをデータとして使用してモデルをトレーニングすることはありせん

プロンプトの暗号化

Gemini にプロンプトを送信すると、Gemini の基盤モデルへの入力としてデータが転送中に暗号化されます。

Gemini によって生成されたプログラム データ

Gemini は、ファーストパーティの Google Cloud コードと、選択したサードパーティ コードでトレーニングされます。コードのセキュリティ、テスト、有効性(Gemini によるコード補完、生成、分析など)については、ユーザーが責任を負います

Google がメッセージを取り扱う方法について詳しくは、こちらをご覧ください。

3. プロンプトをテストするオプション

プロンプトをテストする方法はいくつかあります。

Vertex AI Studio は Google Cloud の Vertex AI プラットフォームの一部であり、生成 AI モデルの開発と使用を簡素化、高速化するために特別に設計されています。

Google AI Studio は、プロンプト エンジニアリングと Gemini API のプロトタイピングとテストを行うためのウェブベースのツールです。

Google Gemini ウェブアプリ(gemini.google.com)は、Google の Gemini AI モデルの機能を探索して活用できるように設計されたウェブベースのツールです。

4. リポジトリのクローンを作成する

Google Cloud コンソールに移動し、検索バーの右側にあるアイコンをクリックして Cloud Shell を有効にします。

3e0c761ca41f315e.png

開いたターミナルで、次のコマンドを実行します。

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

cd genai-for-developers

git checkout slack-agent-jira-lab

[エディタを開く] をクリックします。

63e838aebfdd2423.png

[File / Open Folder] メニュー項目を使用して [genai-for-developers] を開きます。

e3b9bd9682acf539.png

新しいターミナルを開く

62dccf5c78880ed9.png

5. サービス アカウントを作成する

新しいサービス アカウントとキーを作成する。

このサービス アカウントを使用して、Cloud Run アプリケーションから Vertex AI Gemini API への API 呼び出しを行います。

Qwiklabs のプロジェクトの詳細を使用して、プロジェクトの詳細を構成します。

例: qwiklabs-gcp-00-2c10937585bb

gcloud config set project YOUR_QWIKLABS_PROJECT_ID

サービス アカウントを作成し、ロールを付与します。

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

承認を求められたら、[承認] をクリックして続行します。

6356559df3eccdda.png

Vertex AI API と Gemini チャットを使用するのに必要なサービスを有効にします。

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

Vertex AI API と Gemini チャットを使用するのに必要なサービスを有効にします。

gcloud services enable \
    artifactregistry.googleapis.com \
    cloudbuild.googleapis.com \
    runapps.googleapis.com \
    workstations.googleapis.com \
    servicemanagement.googleapis.com \
    secretmanager.googleapis.com \
    containerscanning.googleapis.com

Gemini Code Assist を有効にする

[Gemini] アイコンをクリックし、右下の [Sign-in] と [Select Google Cloud project] をクリックします。

4a7f4640f66037f.png

8b4405d7366d2cad.png

bd07352707166136.png

ポップアップ ウィンドウで、Qwiklabs プロジェクトを選択します。

例:

70ae6837db397e2a.png

ファイル「devai-api/app/routes.py」を開き、ファイル内の任意の場所を右クリックして、コンテキスト メニューから [Gemini Code Assist > Explain this"] を選択します。

e54daef175df3cf0.png

選択したファイルに関する Gemini の説明を確認します。

e666676dce8b94d6.png

6. Devai-API を Cloud Run にデプロイする

正しいフォルダにいることを確認します。

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

このラボでは、ベスト プラクティスに沿って Secret Manager を使用して、アクセス トークンと LangChain API キーの値を Cloud Run に保存して参照します。

環境変数を設定します。

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"

JIRA アクセス トークンを Secret Manager に保存します。

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

GitLab アクセス トークンを Secret Manager に保存します。

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

LangChain API キーを Secret Manager に保存します。

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

アプリケーションを Cloud Run にデプロイします。

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

Y と回答して、Artifact Registry Docker リポジトリを作成します。

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

Gemini にコマンドの説明を依頼します。

94d5487568b08dd2.png

以下の gcloud run deploy SERVICE_NAME --source=. フローをご確認ください。詳細

5c122a89dd11822e.png

このコマンドはバックグラウンドで Google Cloud の buildpacksCloud Build を使用して、Docker マシンへのインストール、Buildpack や Cloud Build の設定を行わずに、ソースコードからコンテナ イメージを自動的にビルドします。つまり、上記のコマンドで必要とするのは gcloud builds submit コマンドと gcloud run deploy コマンドだけです。

Dockerfile を指定した場合(このリポジトリでは指定しています)、Cloud Build はそれをコンテナ イメージのビルドに使用します。Buildpack に依存してコンテナ イメージを自動的に検出してビルドすることはありません。Buildpack の詳細については、ドキュメントをご覧ください。

コンソールで Cloud Build のログを確認します。

Artifact Registry で作成された Docker イメージを確認します。

cloud-run-source-deploy/devai-api を開き、自動的に検出された脆弱性を確認します。修正が可能な問題を確認し、説明に基づいて修正方法を確認します。

d00c9434b511be44.png

Cloud コンソールで Cloud Run インスタンスの詳細を確認します。

curl コマンドを実行してエンドポイントをテストします。

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

出力を確認します。

bda86deaa1c449a8.png

7. Vertex AI Agent Builder

「エージェント ビルダー」を検索して開きます。

b99ae5b6ca1d6340.png

API の有効化

4bf2b240bd51db8.png

エージェント アプリを作成する:

2e50007e454b504.png

[表示名] に「エージェント」と入力し、[同意して作成] をクリックします。

6c49a874c48d0401.png

エージェント名を設定します。

Agent

目標を設定:

Help user with questions about JIRA project

セットアップ手順:

- 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.

[保存] をクリックします。

6ef0ca47100008e0.png

右側のエミュレータ チャットを使用してエージェントをテストします。

32f49a9791302535.png

[ツール] メニューを開き、新しいツールを作成します。

c236b95409dfedc3.png

[Type] プルダウンから [OpenAPI] を選択します。

ツール名を設定する:

jira-project-status

セットの説明:

Returns JIRA project status

スキーマを設定する(YAML)- YOUR CLOUD RUN URL を置き換えます。

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

ツールの構成を保存します。

f99ce79ba79e3a4b.png

ツールを使用するには、エージェントの構成と更新手順に戻ります。

新しいツールを使用する手順を追加しました。

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

4dabf135b37b044b.png

[例] タブに切り替えて、新しい例を追加します。

5b1fb22e49500362.png

表示名を設定する:

jira-project-flow

下部にあるメニューを使用して、ユーザーとエージェント間の会話をモデル化します。

54ffb5e7744a0772.png

14cced6461a65811.png

ツールの呼び出し構成:

82af695d2f21c4f0.png

[保存] と [キャンセル] をクリックします。エージェント エミュレータに戻り、フローをテストします。

ec137f71bf6075e2.png

f76fd38c32e29f0a.png

Vertex AI エージェントのベスト プラクティスを確認する

エージェントの設定

564dd5371999a3f1.png

b5b04f282fcee3e8.png

ロギングの設定

af30487d72c1cfa2.png

モデルの構成。

53191049428693c7.png

GitGub 統合によるエージェント構成の push と復元。

7170649a9c027857.png

エージェント エミュレータのコントロール:

59fd8b2343e89513.png

8. Slack との統合

[Integrations] メニューを開き、[Slack] タイルの [Connect] をクリックします。

36f3992134479a37.png

e7ee0826668bfa2b.png

c3e36f4dacbe3f9b.png

リンクを開き、https://api.slack.com/apps で新しい Slack アプリを作成します。

cbf13edc1b284899.png

[マニフェスト] から選択します。

64fa9c75afecdb3e.png

アプリを開発するワークスペースを選択する

99a3d5b37cdf8f76.png

YAML に切り替えて、次のマニフェストを貼り付けます。

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

[作成] をクリックします。

5f0b3d2c44022eb9.png

Workspace にインストールする:

aa1c2ea1b700c838.png

[#general] チャンネルを選択し、[許可] をクリックします。

18eba659946fc65f.png

[基本情報 / アプリの認証情報] で [署名シークレット] をコピーし、Slack 統合で設定します。

31d62babb57e523d.png

bd9f7e3be3b9ea4e.png

[OAuth と権限] を開き、[Bot User OAuth Token] をコピーして Slack 統合に設定します。

e74c7e003c31258.png

必須項目を設定し、[開始] をクリックします。

エージェントの [アクセス トークン] の値は、Slack の「ボットユーザーの OAuth トークン」です。

エージェントの [Signing Token] の値は、Slack の「Signing Secret」です。

a00d22bdaeed3ab8.png

7e71e37750fd063a.png

[Webhook URL] をコピーして、Slack アプリの設定に戻ります。

[イベント サブスクリプション] セクションを開き、URL を貼り付けます。

a1e7271934c714d9.png

変更を保存します。

e6d9b43b3787b6e7.png

「Slack」を開き、「@Agent」と入力してエージェントを追加します。

たとえば、アプリの名前を「@CX」に追加します。

72313066707f947b.png

63becbd80824f8d8.png

c98e193062b096f0.png

エージェントに JIRA プロジェクトの概要を尋ねます。

6edfdb74760548ad.png

9. PDF ドキュメントに関する Q&A

Cloud Storage バケットを作成する

Cloud コンソールで GCS を開きます(https://console.cloud.google.com/storage/browser)。

バケットを新規作成します。

バケット名には、「pdf-docs」+ GCP プロジェクトの末尾 5 桁を入力します。

ロケーション タイプ: multi-region, us

ストレージ クラス: Standard

アクセス制御: Uniform

データ保護: uncheck soft delete policy

[Create] をクリックしてください。

[公開アクセスの防止] を確定します。

PDF レポートをダウンロードしてバケットにアップロードします。https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf

アップロードされたファイルを含むバケットのビュー:

ff09ac8da88fb680.png

データストアの構成

エージェント コンソールに戻り、[Agent] を開き、下にスクロールして [+ Data store] をクリックします。

e20b69db922e37d7.png

次の値を使用します。

ツール名: pdf-docs

タイプ: Data store

説明: pdf-docs

[Save] をクリックします。

c5bc7a2e458213ba.png

ページ下部の [Create a data store] をクリックします。

[検索と会話のデータストアを米国リージョンに配置することに同意しますか?] と尋ねられたら、[AGREE] をクリックします。

[会社名を入力] フィールドに「Google」と入力します。

次の画面で [CREATE DATA STORE] をクリックします。

データソースとして [Cloud Storage] を選択します。

取り込み用にデータを準備する

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

HTML ファイルと TXT ファイルは 2.5 MB 以下にする必要があります。

PDF、PPTX、DOCX ファイルは 100 MB 以下にする必要があります。

一度にインポートできるファイル数は最大 100,000 個です。

選択: unstructured documents

GCS バケットまたはフォルダを選択します。

e8534a921059e3a2.png

[続行] をクリックします。ed5ad1fabe9503a4.png

データストア名のタイプ: 「pdf-docs

プルダウンから [Digital parser] を選択します。

高度なチャンクを有効にします。

チャンクで上位の見出しを有効にします。

[Create] をクリックしてください。

1a5222b86ee6c58e.png

3119b5fec43c9294.png

データストアを選択し、[Create] をクリックします。

43d5be0a0aca6f8.png

9fd7fc7c1462d114.png

データストアをクリックし、[ドキュメント]、[アクティビティ]、[処理構成] を確認します。

872d9142615e90c9.png

インポートが完了するまでに 5 ~ 10 分ほどかかります。

d9739a4af2244e03.png

解析とチャンキングのオプション

コンテンツの解析は、次の方法で制御できます。

  • デジタル パーサー。別のパーサータイプが指定されていない限り、すべてのファイル形式でデジタル パーサーがデフォルトでオンになります。データストアに他のデフォルト パーサーが指定されていない場合、または指定されたパーサーが取り込まれたドキュメントのファイル形式をサポートしていない場合、デジタル パーサーは取り込まれたドキュメントを処理します。
  • PDF の OCR 解析。公開プレビュー版。スキャンした PDF や画像内にテキストを含む PDF をアップロードする場合は、OCR パーサーをオンにして PDF のインデックス登録を改善できます。PDF の OCR 解析についてをご覧ください。
  • レイアウト パーサー。公開プレビュー版。RAG に Vertex AI Search を使用する場合は、HTML、PDF、DOCX ファイルのレイアウト パーサーをオンにします。このパーサーおよびそれを有効にする方法については、RAG 用にドキュメントをチャンクするをご覧ください。

ドキュメントの解析とチャンキングの詳細。

ツール構成

ツールの設定があるタブに戻ります。

ブラウザを更新し、[非構造化] プルダウンから [pdf-docs] を選択します。

71323e788b35ca66.png

接地を構成します。

会社名として「Google」と入力します。

ペイロードの設定 - [Include snippets in the response payload] をオンにする

b0cb701d13ad4264.png

[Save] をクリックしてください。

91a546957bdfe029.png

7535b85cfc7febe6.png

エージェントの手順の構成

エージェントの構成に戻ります。

新しい手順を追加します。

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

9b9548497ddaccbd.png

構成を保存します。

PDF-Docs ツールのサンプルを作成する

[例] タブに切り替えます。新しい例を作成します。

アクション「+」を使用する:

4da93695907c97ad.png

「ユーザー入力」を追加します。

What are the main capabilities?

「ツールの使用」を追加しました。

  • ツールとアクション: 「pdf-docs

入力(requestBody)

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

ツールの出力:

{
  "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"
    }
  ]
}

「エージェントの回答」を追加

Detailed answer about main capabilities. 

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

構成例:

2968363e05f3325e.png

ツールの呼び出し構成:

658316bb29ac352d.png

エミュレータでエージェントに質問を送信して、構成をテストします。

質問:

What are the 10 steps in the exec guide?

5b2329c494ad0d17.png

[Agent] を選択し、[Save example] をクリックします。

e79c86aa04a9572f.png

名前を「user-question-flow」として保存します。

エージェントの回答をフォーマットし、ツールの出力セクションの PDF ドキュメントへのリンクを含めます。

50f2bcee082ac38d.png

サンプルを保存します。

エミュレータに戻り、[Replay conversation] をクリックして、更新されたレスポンス形式を確認します。

8db40e424f448a2d.png

別の質問を投稿:

What are the main capabilities in the exec guide?

6f103fdac8ec4cda.png

ソースの PDF ドキュメント。

5b3e6d2ceda99247.png

質問:

What should I consider when evaluating projects?

ec7e0f5884772385.png

ソースの PDF ドキュメント。

57a0d331aa91f04b.png

質問:

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

7a18ba3ca0fe90c5.png

ソースの PDF ドキュメント。

b4d07e6e7d9adc00.png

10. Prebuilt Agent

左側のメニューから、ビルド済みエージェントを調べます。

5720dc5343aede65.png

いずれかのエージェントを選択してデプロイします。エージェントの設定、手順、ツールを確認する。

2a3db1129b5a1461.png

11. 完了

お疲れさまでした。ラボはこれで完了です。

学習した内容

  • Cloud Run アプリケーションをデプロイして Gemini API と統合する方法
  • Vertex AI エージェントを作成してデプロイする方法
  • エージェントの Slack 統合を追加する方法
  • PDF ドキュメントを介した Q&A 用のデータストアを構成する方法

次のステップ:

クリーンアップ

このチュートリアルで使用したリソースについて、Google Cloud アカウントに課金されないようにするには、リソースを含むプロジェクトを削除するか、プロジェクトを維持して個々のリソースを削除します。

プロジェクトの削除

課金を停止する最も簡単な方法は、チュートリアル用に作成したプロジェクトを削除することです。

©2024 Google LLC All rights reserved. Google および Google のロゴは、Google LLC の商標です。その他すべての社名および製品名は、それぞれ該当する企業の商標である可能性があります。