Ta strona została przetłumaczona przez Cloud Translation API.

Agent GenAI do kontroli jakości dokumentów i wywołań interfejsu API

1. Omówienie

W tym module utworzysz agenta GenAI, połączysz go z aplikacją Cloud Run i zintegrujesz go z workspace’em Slack.

Czego się nauczysz

Laboratorium składa się z kilku głównych części:

Wdrażanie aplikacji Cloud Run w celu integracji z interfejsami Gemini API
Tworzenie i wdrażanie agenta Vertex AI
Integracja agenta z Slackiem
Konfigurowanie magazynu danych na potrzeby pytań i odpowiedzi dotyczących dokumentów PDF

Wymagania wstępne

Ten moduł zakłada, że znasz środowiska Cloud Console i Cloud Shell.

2. Konfiguracja i wymagania

Konfiguracja projektu Cloud

Zaloguj się w konsoli Google Cloud i utwórz nowy projekt lub użyj istniejącego. Jeśli nie masz jeszcze konta Gmail ani Google Workspace, musisz je utworzyć.

Nazwa projektu to wyświetlana nazwa uczestników tego projektu. Jest to ciąg znaków, którego nie używają interfejsy API Google. Zawsze możesz ją zaktualizować.
Identyfikator projektu jest niepowtarzalny w ramach wszystkich projektów Google Cloud i nie można go zmienić (po ustawieniu). Konsola Cloud automatycznie generuje unikalny ciąg znaków. Zwykle nie ma znaczenia, jaki to ciąg. W większości laboratoriów z kodem trzeba podać identyfikator projektu (zwykle oznaczony jako PROJECT_ID). Jeśli nie podoba Ci się wygenerowany identyfikator, możesz wygenerować inny losowy. Możesz też spróbować użyć własnego adresu e-mail, aby sprawdzić, czy jest on dostępny. Nie można go zmienić po wykonaniu tego kroku. Pozostanie on na stałe w ramach projektu.
Informacyjnie: istnieje jeszcze 3 wartość, numer projektu, której używają niektóre interfejsy API. Więcej informacji o wszystkich 3 wartościach znajdziesz w dokumentacji.

Następnie musisz włączyć rozliczenia w konsoli Cloud, aby korzystać z zasobów i interfejsów API Cloud. Przejście przez ten samouczek nie będzie kosztowne, a być może nawet bezpłatne. Aby wyłączyć zasoby i uniknąć obciążenia opłatami po zakończeniu samouczka, możesz usunąć utworzone zasoby lub usunąć projekt. Nowi użytkownicy Google Cloud mogą skorzystać z bezpłatnego okresu próbnego, w którym mają do dyspozycji środki w wysokości 300 USD.

Konfiguracja środowiska

Otwórz czat Gemini.

Włącz interfejs Cloud AI Companion API:

Kliknij „Start chatting” i użyj jednego z przykładowych pytań lub wpisz własne prompty, aby je wypróbować.

Prompty do wypróbowania:

Wyjaśnij Cloud Run w 5 kluczowych punktach.
Jesteś menedżerem produktu Google Cloud Run. Wyjaśnij studentowi, na czym polega Cloud Run, w 5 krótkich punktach.
Jesteś menedżerem produktu Cloud Run w Google i chcesz wyjaśnić Cloud Run certyfikowanemu deweloperowi Kubernetes w 5 krótkich punktach.
Jesteś menedżerem produktu Cloud Run w Google i chcesz wyjaśnić starszemu programiście, kiedy należy używać Cloud Run, a kiedy GKE. W tym celu przedstawiasz 5 krótkich kluczowych informacji.

Aby dowiedzieć się więcej o pisaniu lepszych promptów, zapoznaj się z przewodnikiem po promptach.

Jak Gemini dla Google Cloud korzysta z Twoich danych

Zobowiązanie Google do ochrony prywatności

Google jako jedna z pierwszych firm w branży opublikowała zobowiązanie do ochrony prywatności w systemach AI/ML, w którym wyraziliśmy przekonanie, że klienci powinni mieć najwyższy poziom bezpieczeństwa i kontroli nad swoimi danymi przechowywanymi w chmurze.

Dane, które przesyłasz i odbierasz

Pytania, które zadajesz Gemini, w tym wszelkie informacje wejściowe lub kod, które przesyłasz do Gemini w celu analizy lub uzupełnienia, nazywamy promptami. Odpowiedzi lub dokończenia kodu, które otrzymujesz od Gemini, nazywane są odpowiedziami. Gemini nie używa Twoich promptów ani swoich odpowiedzi jako danych do trenowania swoich modeli.

Szyfrowanie promptów

Gdy przesyłasz prompty do Gemini, Twoje dane są szyfrowane podczas przesyłania i przesyłane do modelu podstawowego w Gemini.

Dane programu wygenerowane przez Gemini

Gemini jest trenowany na podstawie własnego kodu Google Cloud oraz wybranego kodu zewnętrznego. Ponosisz odpowiedzialność za bezpieczeństwo, testowanie i skuteczność kodu, w tym za uzupełnianie, generowanie i analizowanie kodu przez Gemini.

Dowiedz się więcej o tym, jak Google radzi sobie z potwierdzeniami.

3. Opcje testowania promptów

Możesz testować prompty na kilka sposobów.

Vertex AI Studio

Vertex AI Studio jest częścią platformy Vertex AI w Google Cloud, która została zaprojektowana z myślą o uproszczeniu i przyspieszeniu tworzenia oraz stosowania modeli generatywnej AI.

Google AI Studio

Google AI Studio to internetowe narzędzie do tworzenia prototypów i eksperymentowania z inżynierią promptów oraz interfejsem Gemini API.

Aplikacja internetowa Gemini (gemini.google.com)

Aplikacja internetowa Google Gemini (gemini.google.com) to narzędzie internetowe, które ułatwia poznawanie i wykorzystywanie potencjału modeli sztucznej inteligencji Gemini od Google.

aplikację mobilną Google Gemini na Android i aplikację Google na iOS.

4. Kopiowanie repozytorium

Wróć do Google Cloud Console i aktywuj Cloud Shell, klikając ikonę po prawej stronie paska wyszukiwania.

W otwartym terminalu uruchom te polecenia:

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

cd genai-for-developers

git checkout slack-agent-jira-lab

Kliknij „Otwórz edytor”.

Użyj elementu menu „File / Open Folder”, aby otworzyć „genai-for-developers”.

Otwórz nowy terminal

5. Utwórz konto usługi

Utwórz nowe konto usługi i klucze.

Z tego konta usługi będziesz korzystać do wywoływania interfejsu Vertex AI Gemini API z aplikacji Cloud Run.

Skonfiguruj szczegóły projektu, korzystając z szczegółów projektu qwiklabs.

Przykład: qwiklabs-gcp-00-2c10937585bb

gcloud config set project YOUR_QWIKLABS_PROJECT_ID

Utwórz konto usługi i przyznaj mu role.

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

Jeśli pojawi się pytanie o autoryzację, kliknij „Autoryzuj”, aby kontynuować.

Włącz wymagane usługi, aby korzystać z interfejsów API Vertex AI i czatu Gemini.

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

Włącz wymagane usługi, aby korzystać z interfejsów API Vertex AI i czatu 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

Włączanie Gemini Code Assist

Kliknij ikonę „Gemini”, a potem w prawym dolnym rogu kliknij „Sign-in” i „Select Google Cloud project”.

W wyskakującym okienku wybierz projekt Qwiklabs.

Przykład:

Otwórz plik „devai-api/app/routes.py”, a potem kliknij prawym przyciskiem myszy dowolne miejsce w pliku i w menu kontekstowym wybierz „Gemini Code Assist > Explain this"”.

Przeczytaj wyjaśnienie Gemini dotyczące wybranego pliku.

6. Wdrażanie interfejsu Devai-API w Cloud Run

Sprawdź, czy jesteś we właściwym folderze.

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

W tym laboratorium postępujemy zgodnie ze sprawdzonymi metodami i używamy usługi Secret Manager do przechowywania wartości klucza dostępu i klucza interfejsu LangChain API w Cloud Run oraz do odwoływania się do nich.

Ustaw zmienne środowiskowe.

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"

Zapisz token dostępu JIRA w usłudze Secret Manager.

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

Zapisz token dostępu GitLab w usłudze Secret Manager.

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

Przechowuj klucz API LangChain w Secret Managerze.

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

Wdróż aplikację w 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

Odpowiedź Y: utwórz repozytorium Dockera w 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

Poproś Gemini o wyjaśnienie polecenia:

Zapoznaj się z procesem gcloud run deploy SERVICE_NAME --source=. poniżej. Więcej informacji

W tle to polecenie używa usług buildpacks i Cloud Build Google Cloud do automatycznego kompilowania obrazów kontenera z Twojego kodu źródłowego bez konieczności instalowania Dockera na komputerze ani konfigurowania pakietów kompilacji ani Cloud Build. Oznacza to, że jedno polecenie opisane powyżej wykonuje to samo, co wymagałoby użycia poleceń gcloud builds submit i gcloud run deploy.

Jeśli podano plik Dockerfile(jak w tym repozytorium), usługa Cloud Build użyje go do kompilowania obrazów kontenera zamiast polegać na pakietach kompilacji, które automatycznie wykrywają i kompilują obrazy kontenera. Więcej informacji o pakietach kompilacji znajdziesz w dokumentacji.

Sprawdź dzienniki Cloud Build w konsoli.

Sprawdź utworzony obraz Dockera w Artifact Registry.

Otwórz cloud-run-source-deploy/devai-api i sprawdź luki w zabezpieczeniach, które zostały wykryte automatycznie. Sprawdź te, dla których dostępne są poprawki, i sprawdź, jak można je rozwiązać na podstawie opisu.

Sprawdź szczegóły instancji Cloud Run w Cloud Console.

Przetestuj punkt końcowy, wykonując polecenie curl.

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

Wyniki weryfikacji:

7. Kreator agentów Vertex AI

Wyszukaj i otwórz „Kreator agenta”.

Aktywowanie interfejsów API

Utwórz aplikację Agent:

W polu Nazwa wyświetlana wpisz „Agent” i kliknij „Zgadzam się i tworzę”.

Ustaw nazwę agenta:

Agent

Ustaw cel:

Help user with questions about JIRA project

Instrukcje dotyczące zestawu:

- 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.

Kliknij „Zapisz”:

Przetestuj agenta, korzystając z czatu w emulatorze po prawej stronie:

Otwórz menu Narzędzia i utwórz nowe narzędzie:

W menu Typ wybierz OpenAPI.

Ustaw nazwę narzędzia:

jira-project-status

Opis zestawu:

Returns JIRA project status

Ustaw schemat (YAML) – zastąp adres URL TWOJEGO 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

Zapisz konfigurację narzędzia:

Aby użyć narzędzia, wróć do instrukcji konfiguracji i aktualizacji agenta:

Dodaj instrukcje korzystania z nowego narzędzia:

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

Przejdź na kartę Przykłady i dodaj nowy przykład:

Ustaw wyświetlaną nazwę:

jira-project-flow

Za pomocą menu na dole odtwórz rozmowę między użytkownikiem a obsługą klienta:

Konfiguracja wywołania narzędzia:

Kliknij Zapisz i Anuluj. Wróć do emulatora agenta i przetestuj przepływ danych.

Zapoznaj się ze sprawdzonymi metodami dotyczącymi agentów Vertex AI.

Ustawienia agenta

Ustawienia rejestrowania

Konfiguracja modelu.

Integracja z GitHubem do przesyłania i przywracania konfiguracji agenta.

Elementy sterujące w emulatorze agenta:

8. Integracja z Slackiem

Otwórz menu Integracje i kliknij „Połącz” na karcie Slack.

Otwórz link i utwórz nową aplikację Slack na stronie https://api.slack.com/apps.

W sekcji „Plik manifestu” wybierz:

Wybieranie obszaru roboczego do tworzenia aplikacji

Przełącz się na format YAML i wklej ten plik manifestu:

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

Kliknij „Utwórz”:

Instalowanie w Workspace:

Wybierz kanał „#general” i kliknij „Zezwól”.

W sekcji „Informacje podstawowe / Dane logowania do aplikacji” skopiuj „Podpis tajny” i ustaw go w integracji Slack.

Otwórz „OAuth i uprawnienia”, skopiuj „Token OAuth użytkownika bota” i ustaw go w integracji z Slackiem.

Wypełnij wymagane pola i kliknij „Rozpocznij”.

Wartość „Access Token” (Token dostępu) agenta to „Bot User OAUth Token” (Token autoryzacji użytkownika bota) z Slacka.

Wartość „tokenu podpisywania” agenta to „Signing Secret” (hasło do podpisywania) z Slacka.

Skopiuj „URL webhooka” i wróć do konfiguracji aplikacji Slack.

Otwórz sekcję „Subskrypcje zdarzeń” i wklej adres URL.

Zapisz zmiany.

Otwórz „Slack” i dodaj pracownika obsługi klienta, wpisując „@Pracownik obsługi klienta”.

Możesz na przykład dodać aplikację o nazwie „@CX”.

Poproś pracownika obsługi klienta o podsumowanie projektu JIRA.

9. Pytania i odpowiedzi dotyczące dokumentów PDF

Tworzenie zasobnika Cloud Storage

Otwórz GCS w konsoli Cloud: https://console.cloud.google.com/storage/browser

Utwórz nowy zasobnik.

W polu „Nazwa zasobnika” wpisz „pdf-docs” + 5 ostatnich cyfr nazwy projektu GCP.

Typ lokalizacji: multi-region, us.

Klasa miejsca na dane: Standard

Kontrola dostępu: Uniform

Ochrona danych: uncheck soft delete policy

Kliknij „Create”.

Potwierdź „Dostęp publiczny zostanie zablokowany”.

Pobierz raport PDF i prześlij go do zasobnika. https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf

Widok zasobnika z przesłanym plikiem:

Konfiguracja magazynu danych

Wróć do konsoli agenta i otwórz „Agent”, przewiń w dół i kliknij „+ Data store”.

Użyj tych wartości:

Nazwa narzędzia: pdf-docs

Typ: Data store

Opis: pdf-docs

Kliknij „Save”.

Kliknij „Create a data store” na dole strony.

Gdy pojawi się pytanie „Czy wyrażasz zgodę na przechowywanie Twoich magazynów danych wyszukiwania i rozmów w regionie Stany Zjednoczone?”, kliknij „AGREE”.

W polu „Podaj firmę” wpisz „Google”.

Na następnym ekranie kliknij „CREATE DATA STORE”.

Jako źródło danych wybierz „Cloud Storage”.

Przygotowywanie danych do pozyskania

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

Pliki HTML i TXT muszą mieć rozmiar nie większy niż 2,5 MB.

Pliki PDF, PPTX i DOCX muszą mieć rozmiar nieprzekraczający 100 MB.

Za jednym razem możesz zaimportować maksymalnie 100 tys. plików.

Wybierz: unstructured documents

Wybierz zasobnik lub folder w GCS.

Kliknij Dalej:

Nazwa typu magazynu danych: „pdf-docs”.

W menu kliknij „Digital parser”.

Włącz zaawansowany podział na fragmenty.

Włącz nagłówki elementów nadrzędnych we fragmentach.

Kliknij „Create”.

Wybierz magazyn danych i kliknij „Create”.

Kliknij magazyn danych i sprawdź dokumenty, aktywność i konfigurację przetwarzania.

Importowanie zajmie około 5–10 minut.

Opcje analizowania i dzielenia na części

Możesz kontrolować analizowanie treści na te sposoby:

Parsowanie cyfrowe. Parser cyfrowy jest domyślnie włączony w przypadku wszystkich typów plików, chyba że zostanie określony inny typ parsera. Parser cyfrowy przetwarza przetworzone dokumenty, jeśli dla magazynu danych nie jest określony inny domyślny parsujący lub jeśli określony parsujący nie obsługuje typu pliku przetworzonego dokumentu.
Analiza OCR w przypadku plików PDF. Publiczna wersja przedpremierowa. Jeśli planujesz przesłać zeskanowane pliki PDF lub pliki PDF z tekstem w obrazach, możesz włączyć parsowanie OCR, aby ulepszyć indeksowanie plików PDF. Zapoznaj się z artykułem Informacje o parsowaniu OCR w przypadku plików PDF.
Parser układu. Publiczna wersja przedpremierowa. Jeśli planujesz korzystać z Vertex AI Search do wyszukiwania w plikach HTML, PDF lub DOCX, włącz parsowanie układu. Informacje o tym parsowaniu i sposobie jego włączenia znajdziesz w artykule Podział dokumentów na części w ramach RAG.

Więcej informacji o analizowaniu dokumentów i dzieleniu ich na fragmenty

Konfiguracja narzędzia

Wróć do karty z konfiguracją narzędzi.

Odśwież przeglądarkę i w menu Nieustrukturyzowane wybierz „pdf-docs”.

Skonfiguruj uziemienie.

Jako nazwę firmy wpisz „Google”.

Ustawienia ładunku – zaznacz „Include snippets in the response payload”.

Kliknij „Save”.

Konfiguracja instrukcji agenta

Wróć do konfiguracji agenta.

Dodawanie nowej instrukcji:

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

Zapisz konfigurację.

Tworzenie przykładu dla narzędzia PDF-Docs

Przejdź na kartę Przykłady. Utwórz nowy przykład.

Używanie działań „+”:

Dodaj „Dane wejściowe użytkownika”:

What are the main capabilities?

Dodaj „Użycie narzędzia”.

Narzędzia i działanie: „pdf-docs”

Dane wejściowe (requestBody)

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

Dane wyjściowe narzędzia:

{
  "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"
    }
  ]
}

Dodaj „Odpowiedź agenta”.

Detailed answer about main capabilities. 

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

Przykład skonfigurowanej usługi:

Konfiguracja wywołania narzędzia:

Przetestuj konfigurację, wysyłając pytanie do agenta w emulatorze.

Pytanie:

What are the 10 steps in the exec guide?

Kliknij „Agent”, a potem „Save example”.

Podaj nazwę „user-question-flow” i zapisz.

Sformatuj odpowiedź agenta i dodaj link do dokumentu PDF z sekcji wyjściowej narzędzia.

Zapisz przykład.

Wróć do emulatora i kliknij „Replay conversation”. Sprawdź zaktualizowany format odpowiedzi.

Zadaj kolejne pytanie:

What are the main capabilities in the exec guide?

Źródłowy dokument PDF.

Pytanie:

What should I consider when evaluating projects?

Źródłowy dokument PDF.

Pytanie:

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

Źródłowy dokument PDF.

10. Wstępnie utworzone agenty

W menu po lewej stronie sprawdź gotowe rozwiązania.

Wybierz jednego z agentów i wdróż go. Poznaj instrukcje i narzędzia do konfiguracji agenta.

11. Gratulacje!

Gratulacje! Masz ukończony ten moduł.

Omówione zagadnienia:

Wdrażanie aplikacji Cloud Run w celu integracji z interfejsami API Gemini
Tworzenie i wdrażanie agenta Vertex AI
Jak dodać integrację z Slackiem dla usługi Agent
Jak skonfigurować magazyn danych dla pytań i odpowiedzi w dokumentach PDF

Co dalej:

Zapoznaj się ze sprawdzonymi metodami dotyczącymi agentów Vertex AI.

Czyszczenie danych

Aby uniknąć obciążenia konta Google Cloud opłatami za zasoby zużyte w tym samouczku, możesz usunąć projekt zawierający te zasoby lub zachować projekt i usunąć poszczególne zasoby.

Usuwanie projektu

Najprostszym sposobem na uniknięcie płatności jest usunięcie projektu utworzonego na potrzeby tego samouczka.

©2024 Google LLC. Wszelkie prawa zastrzeżone. Google i logo Google są znakami towarowymi Google LLC. Wszelkie inne nazwy firm i produktów mogą być znakami towarowymi odpowiednich podmiotów, z którymi są powiązane.