문서 및 API 호출을 통한 품질보증을 위한 생성형 AI 상담사

1. 개요

이 실습에서는 GenAI 에이전트를 만들고 Cloud Run 애플리케이션에 연결한 후 에이전트를 Slack 워크스페이스에 통합합니다.

학습할 내용

실험에는 다음과 같은 몇 가지 주요 부분이 있습니다.

• Gemini API와 통합하도록 Cloud Run 애플리케이션 배포
• Vertex AI 에이전트 만들기 및 배포
• Slack에 상담사 통합
• PDF 문서를 통한 Q&A를 위한 데이터 스토어 구성

기본 요건

• 이 실습에서는 Cloud 콘솔 및 Cloud Shell 환경에 익숙하다고 가정합니다.

2. 설정 및 요구사항

Cloud 프로젝트 설정

1. Google Cloud Console에 로그인하여 새 프로젝트를 만들거나 기존 프로젝트를 재사용합니다. 아직 Gmail이나 Google Workspace 계정이 없는 경우 계정을 만들어야 합니다.

• 프로젝트 이름은 이 프로젝트 참가자의 표시 이름입니다. 이는 Google API에서 사용하지 않는 문자열이며 언제든지 업데이트할 수 있습니다.
• 프로젝트 ID는 모든 Google Cloud 프로젝트에서 고유하며, 변경할 수 없습니다(설정된 후에는 변경할 수 없음). Cloud 콘솔은 고유한 문자열을 자동으로 생성합니다. 일반적으로는 신경 쓰지 않아도 됩니다. 대부분의 Codelab에서는 프로젝트 ID (일반적으로 PROJECT_ID로 식별됨)를 참조해야 합니다. 생성된 ID가 마음에 들지 않으면 다른 임의 ID를 생성할 수 있습니다. 또는 직접 시도해 보고 사용 가능한지 확인할 수도 있습니다. 이 단계 이후에는 변경할 수 없으며 프로젝트 기간 동안 유지됩니다.
• 참고로 세 번째 값은 일부 API에서 사용하는 프로젝트 번호입니다. 이 세 가지 값에 대한 자세한 내용은 문서를 참고하세요.

주의: 프로젝트 ID는 전역적으로 고유하며 선택한 후에는 다른 사람이 사용할 수 없습니다. 해당 ID의 유일한 사용자입니다. 프로젝트가 삭제되더라도 ID는 다시 사용할 수 없습니다.

참고: Gmail 계정을 사용하는 경우 기본 위치를 조직 없음으로 설정된 그대로 둘 수 있습니다. Google Workspace 계정을 사용하는 경우 조직에 적합한 위치를 선택하세요.

2. 다음으로 Cloud 리소스/API를 사용하려면 Cloud 콘솔에서 결제를 사용 설정해야 합니다. 이 Codelab 실행에는 많은 비용이 들지 않습니다. 이 튜토리얼이 끝난 후에 요금이 청구되지 않도록 리소스를 종료하려면 만든 리소스 또는 프로젝트를 삭제하면 됩니다. Google Cloud 신규 사용자는 300달러(USD) 상당의 무료 체험판 프로그램에 참여할 수 있습니다.

환경 설정

Gemini 채팅을 엽니다.

Cloud AI Companion API를 사용 설정합니다.

'Start chatting'를 클릭하고 샘플 질문 중 하나를 따르거나 직접 프롬프트를 입력하여 사용해 봅니다.

프롬프트 예시:

• Cloud Run을 5가지 주요 요점으로 설명합니다.
• Google Cloud Run 제품 관리자로서 학생에게 Cloud Run을 5가지 핵심사항으로 간단히 설명합니다.
• Google Cloud Run 제품 관리자로서 인증된 Kubernetes 개발자에게 Cloud Run을 5가지 핵심사항으로 간단히 설명합니다.
• Google Cloud Run 제품 관리자로서 Cloud Run과 GKE 중 어느 쪽을 사용해야 하는지 선임 개발자에게 5가지 핵심 사항으로 간단히 설명합니다.

프롬프트 가이드에서 더 나은 프롬프트 작성에 대해 자세히 알아보세요.

Google Cloud를 위한 Gemini에서 사용자 데이터를 사용하는 방법

Google 개인 정보 보호 약정

Google은 업계 최초로 AI/ML 개인 정보 보호 약정을 발표했습니다. 여기에는 클라우드에 저장된 고객 데이터에 대해 고객이 최고 수준의 보안 및 제어 권한을 가져야 한다는 Google의 신념이 표명되어 있습니다.

제출 및 수신하는 데이터

분석하거나 완료하기 위해 Gemini에 제출하는 모든 입력 정보나 코드를 포함하여 Gemini에 묻는 질문을 프롬프트라고 합니다. Gemini로부터 받는 답변이나 코드 완성을 '응답'이라고 합니다. Gemini는 프롬프트나 해당 응답을 데이터로 사용하여 모델을 학습시키지 않습니다.

프롬프트 암호화

Gemini에 프롬프트를 제출하면 Gemini의 기본 모델에 입력으로 전송 중인 데이터가 암호화됩니다.

Gemini에서 생성된 프로그램 데이터

Gemini는 퍼스트 파티 Google Cloud 코드와 선택된 서드 파티 코드로 학습됩니다. Gemini가 제공하는 코드 완성, 생성, 분석을 포함해 코드의 보안, 테스트, 효과에 대한 책임은 사용자에게 있습니다.

Google에서 메시지를 처리하는 방식을 자세히 알아보세요.

3. 프롬프트 테스트 옵션

프롬프트를 테스트하는 방법에는 여러 가지가 있습니다.

• Vertex AI Studio

Vertex AI Studio는 Google Cloud의 Vertex AI 플랫폼에 포함된 도구로, 생성형 AI 모델의 개발과 사용을 간소화하고 가속화하도록 설계되었습니다.

• Google AI Studio

Google AI Studio는 프롬프트 엔지니어링 및 Gemini API를 프로토타입으로 제작하고 실험하기 위한 웹 기반 도구입니다.

• Gemini 웹 앱 (gemini.google.com)

Google Gemini 웹 앱 (gemini.google.com)은 Google의 Gemini AI 모델을 살펴보고 활용하는 데 도움이 되도록 설계된 웹 기반 도구입니다.

• Android용 Google Gemini 모바일 앱 및 iOS의 Google 앱

4. 저장소 클론하기

Google Cloud 콘솔로 돌아가 검색창 오른쪽에 있는 아이콘을 클릭하여 Cloud Shell을 활성화합니다.

열린 터미널에서 다음 명령어를 실행합니다.

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

cd genai-for-developers

git checkout slack-agent-jira-lab

'편집기 열기'를 클릭합니다.

'File / Open Folder' 메뉴 항목을 사용하여 'genai-for-developers'를 엽니다.

새 터미널 열기

5. 서비스 계정 만들기

새 서비스 계정 및 키를 만듭니다.

이 서비스 계정을 사용하여 Cloud Run 애플리케이션에서 Vertex AI Gemini API를 호출합니다.

Qwiklabs 프로젝트 세부정보를 사용하여 프로젝트 세부정보를 구성합니다.

예: qwiklabs-gcp-00-2c10937585bb

gcloud config set project YOUR_QWIKLABS_PROJECT_ID

서비스 계정을 만들고 역할을 부여합니다.

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

승인하라는 메시지가 표시되면 '승인'을 클릭하여 계속합니다.

Vertex AI API 및 Gemini 채팅을 사용하기 위해 필요한 서비스를 사용 설정합니다.

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

Vertex AI API 및 Gemini 채팅을 사용하기 위해 필요한 서비스를 사용 설정합니다.

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 사용 설정

'Gemini' 아이콘을 클릭하고 오른쪽 하단에서 'Sign-in' 및 'Select Google Cloud project' 아이콘을 클릭합니다.

팝업 창에서 Qwiklabs 프로젝트를 선택합니다.

예:

'devai-api/app/routes.py' 파일을 연 다음 파일의 아무 곳이나 마우스 오른쪽 버튼으로 클릭하고 컨텍스트 메뉴에서 'Gemini Code Assist > Explain this"'를 선택합니다.

선택한 파일에 대한 Gemini의 설명을 검토합니다.

6. Cloud Run에 Devai-API 배포

현재 위치가 올바른 폴더인지 확인합니다.

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

이 실습에서는 권장사항에 따라 Secret Manager를 사용하여 Cloud Run에 액세스 토큰 및 LangChain API 키 값을 저장하고 참조합니다.

환경 변수를 설정합니다.

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"

Secret Manager에 JIRA 액세스 토큰을 저장합니다.

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

Secret Manager에 GitLab 액세스 토큰을 저장합니다.

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

Secret Manager에 LangChain API 키를 저장합니다.

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

Cloud Run에 애플리케이션을 배포합니다.

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

Y를 선택하여 Artifact Registry Docker 저장소를 만듭니다.

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

Gemini에게 명령어를 설명해 달라고 요청합니다.

아래에서 gcloud run deploy SERVICE_NAME --source=. 흐름을 검토하세요. 자세히 알아보기

백그라운드에서 이 명령어는 Google Cloud의 buildpacks 및 Cloud Build를 사용하여 머신에 Docker를 설치하거나 빌드팩 또는 Cloud Build를 설정할 필요 없이 소스 코드에서 자동으로 컨테이너 이미지를 빌드합니다. 즉, 위에서 설명한 단일 명령어에서는 gcloud builds submit 및 gcloud run deploy 명령어가 필요한 작업을 수행합니다.

Dockerfile을 제공한 경우(이 저장소에서 제공함) Cloud Build는 이를 사용하여 컨테이너 이미지를 빌드하고 빌드팩을 사용하여 컨테이너 이미지를 자동으로 감지하고 빌드하지 않습니다. 빌드팩에 관해 자세히 알아보려면 문서를 참고하세요.

Console에서 Cloud Build 로그를 검토합니다.

Artifact Registry에서 생성된 Docker 이미지를 검토합니다.

cloud-run-source-deploy/devai-api를 열고 자동으로 감지된 취약점을 검토합니다. 수정사항이 있는 항목을 확인하고 설명에 따라 어떻게 수정할 수 있는지 확인합니다.

Cloud 콘솔에서 Cloud Run 인스턴스 세부정보를 검토합니다.

curl 명령어를 실행하여 엔드포인트를 테스트합니다.

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

출력을 검토합니다.

7. Vertex AI Agent Builder

'Agent Builder'를 검색하여 엽니다.

API 활성화

Create Agent 앱:

표시 이름에 'Agent'를 입력하고 '동의 및 만들기'를 클릭합니다.

상담사 이름을 설정합니다.

Agent

목표 설정:

Help user with questions about JIRA project

설정 안내:

- 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.

'저장'을 클릭합니다.

오른쪽에 있는 에뮬레이터 채팅을 사용하여 상담사를 테스트합니다.

'도구' 메뉴를 열고 새 도구를 만듭니다.

유형 드롭다운에서 OpenAPI를 선택합니다.

도구 이름을 설정합니다.

jira-project-status

세트 설명:

Returns JIRA project status

스키마 설정 (YAML) - YOUR CLOUD RUN URL을 바꿉니다.

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

도구 구성을 저장합니다.

도구를 사용하려면 에이전트 구성으로 돌아가서 안내를 업데이트하세요.

새 도구 사용 안내를 추가합니다.

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

예시 탭으로 전환하고 새 예시를 추가합니다.

표시 이름 설정:

jira-project-flow

하단의 메뉴를 사용하여 사용자와 상담사 간의 대화를 모델링합니다.

도구 호출 구성:

'저장' 및 '취소'를 클릭합니다. 에이전트 에뮬레이터로 돌아가서 흐름을 테스트합니다.

Vertex AI Agent의 권장사항을 검토합니다.

상담사 설정

로그 기록 설정

모델 구성

에이전트 구성을 푸시하고 복원하는 GitGub 통합

상담사 에뮬레이터 제어:

8. Slack 통합

통합 메뉴를 열고 Slack 타일에서 '연결'을 클릭합니다.

https://api.slack.com/apps에서 링크를 열고 새 Slack 앱을 만듭니다.

'매니페스트'에서 다음 중 하나를 선택합니다.

앱을 개발할 워크스페이스 선택

YAML로 전환하고 다음 매니페스트를 붙여넣습니다.

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

'만들기'를 클릭합니다.

Workspace에 설치:

'#general' 채널을 선택하고 '허용'을 클릭합니다.

'기본 정보 / 앱 사용자 인증 정보'에서 '서명 보안 비밀'을 복사하여 Slack 통합에 설정합니다.

'OAuth 및 권한'을 열고 'Bot User OAuth Token(봇 사용자 OAuth 토큰)'을 복사하여 Slack 통합에 설정합니다.

필수 입력란을 설정하고 '시작'을 클릭합니다.

상담사의 '액세스 토큰' 값은 Slack의 '봇 사용자 OAuth 토큰'입니다.

상담사의 '서명 토큰' 값이 Slack의 '서명 비밀'입니다.

'Webhook URL'을 복사하고 Slack 앱 구성으로 돌아갑니다.

'이벤트 구독' 섹션을 열고 URL을 붙여넣습니다.

변경사항을 저장합니다.

'Slack'을 열고 '@Agent'를 입력하여 상담사를 추가합니다.

예를 들어 '@CX'라는 이름의 앱을 추가합니다.

상담사에게 JIRA 프로젝트 요약을 요청합니다.

9. PDF 문서에 대한 Q&A

Cloud Storage 버킷 만들기

Cloud 콘솔에서 GCS를 엽니다. https://console.cloud.google.com/storage/browser

새 버킷을 만듭니다.

버킷 이름에는 'pdf-docs' + GCP 프로젝트의 마지막 5자리 숫자를 입력합니다.

위치 유형: multi-region, us.

스토리지 클래스: Standard

액세스 제어: Uniform

데이터 보호: uncheck soft delete policy

'Create'을(를) 클릭합니다.

'공개 액세스가 차단됨'을 확인합니다.

PDF 보고서를 다운로드하여 버킷에 업로드합니다. https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf

업로드된 파일이 표시된 버킷 뷰:

데이터 스토어 구성

상담사 콘솔로 돌아가서 'Agent'를 열고 아래로 스크롤하여 '+ Data store'를 클릭합니다.

다음 값을 사용하세요.

도구 이름: pdf-docs

유형: Data store

설명: pdf-docs

'Save'을(를) 클릭합니다.

페이지 하단의 'Create a data store' 아이콘을 클릭합니다.

'검색 및 대화 데이터 스토어를 미국 리전에 배치하는 데 동의하시나요?'라는 메시지가 표시되면 'AGREE'를 클릭합니다.

'회사 제공' 입력란에 'Google'를 입력합니다.

다음 화면에서 'CREATE DATA STORE'를 클릭합니다.

데이터 소스로 'Cloud Storage'를 선택합니다.

수집을 위한 데이터 준비

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

HTML 및 TXT 파일은 2.5MB 이하여야 합니다.

PDF, PPTX, DOCX 파일은 100MB 이하여야 합니다.

한 번에 파일을 최대 100,000개까지 가져올 수 있습니다.

unstructured documents 선택

GCS 버킷/폴더를 선택합니다.

'계속'을 클릭합니다.

데이터 스토어 이름 유형: 'pdf-docs'

드롭다운에서 'Digital parser'을 선택합니다.

고급 청크 처리를 사용 설정합니다.

청크에서 상위 제목을 사용 설정합니다.

'Create'을(를) 클릭합니다.

데이터 저장소를 선택하고 'Create'를 클릭합니다.

데이터 스토어를 클릭하고 문서, 활동, 처리 구성을 검토합니다.

가져오기가 완료되는 데 5~10분 정도 걸립니다.

파싱 및 청크 처리 옵션

다음과 같은 방법으로 콘텐츠 파싱을 제어할 수 있습니다.

• 디지털 파서. 다른 파서 유형이 지정되지 않는 한 디지털 파서는 모든 파일 형식에 기본적으로 사용 설정되어 있습니다. 디지털 파서는 데이터 스토어에 다른 기본 파서가 지정되지 않았거나 지정된 파서가 처리된 문서의 파일 형식을 지원하지 않는 경우 처리된 문서를 처리합니다.
• PDF용 OCR 파싱. 공개 미리보기 스캔한 PDF 또는 이미지 내에 텍스트가 포함된 PDF를 업로드할 계획이라면 OCR 파서를 사용 설정하여 PDF 색인을 개선할 수 있습니다. PDF용 OCR 파싱 정보를 참고하세요.
• 레이아웃 파서. 공개 미리보기 RAG에 Vertex AI Search를 사용하려면 HTML, PDF 또는 DOCX 파일의 레이아웃 파서를 사용 설정합니다. 이 파서와 사용 설정 방법에 관한 자세한 내용은 RAG용 문서 청크 처리를 참고하세요.

문서 파싱 및 청크 처리에 대해 자세히 알아보기

도구 구성

도구 구성이 있는 탭으로 돌아갑니다.

브라우저를 새로고침하고 비구조화된 드롭다운에서 'pdf-docs'를 선택합니다.

접지를 구성합니다.

회사 이름으로 'Google'를 입력합니다.

페이로드 설정 - 'Include snippets in the response payload' 선택

'Save'을(를) 클릭합니다.

상담사 안내 구성

에이전트 구성으로 돌아갑니다.

새 안내를 추가합니다.

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

구성을 저장합니다.

PDF-Docs 도구의 예시 만들기

예시 탭으로 전환합니다. 새 예시를 만듭니다.

작업 '+' 사용:

'사용자 입력'을 추가합니다.

What are the main capabilities?

'도구 사용'을 추가합니다.

• 도구 및 작업: 'pdf-docs'

입력 (requestBody)

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

도구 출력:

{
  "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"
    }
  ]
}

'상담사 응답' 추가

Detailed answer about main capabilities. 

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

구성된 예:

도구 호출 구성:

에뮬레이터에서 상담사에게 질문을 전송하여 구성을 테스트합니다.

질문:

What are the 10 steps in the exec guide?

'Agent'을 선택하고 'Save example'을 클릭합니다.

이름을 'user-question-flow'로 지정하고 저장합니다.

에이전트 응답의 형식을 지정하고 도구 출력 섹션에서 PDF 문서 링크를 포함합니다.

예시를 저장합니다.

에뮬레이터로 돌아가서 'Replay conversation'를 클릭합니다. 업데이트된 응답 형식을 확인합니다.

다른 질문을 던져 보세요.

What are the main capabilities in the exec guide?

소스 PDF 문서

질문:

What should I consider when evaluating projects?

소스 PDF 문서

질문:

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

소스 PDF 문서

10. 사전 제작된 에이전트

왼쪽 메뉴에서 사전 제작된 에이전트를 살펴봅니다.

에이전트 중 하나를 선택하고 배포합니다. 상담사의 설정, 안내, 도구를 살펴보세요.

11. 축하합니다.

축하합니다. 실습을 완료했습니다.

학습한 내용

• Gemini API와 통합되도록 Cloud Run 애플리케이션을 배포하는 방법
• Vertex AI 에이전트를 만들고 배포하는 방법
• 상담사에게 Slack 통합을 추가하는 방법
• PDF 문서를 통한 Q&A용 데이터 스토어를 구성하는 방법

다음 단계:

• Vertex AI Agent의 권장사항을 검토합니다.

삭제

이 튜토리얼에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트를 유지하고 개별 리소스를 삭제하세요.

프로젝트 삭제

비용이 청구되지 않도록 하는 가장 쉬운 방법은 튜토리얼에서 만든 프로젝트를 삭제하는 것입니다.

©2024 Google LLC All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.