1. ภาพรวม
ในชั้นเรียนนี้ คุณจะได้สร้างตัวแทน GenAI, เชื่อมต่อกับแอปพลิเคชัน Cloud Run และผสานรวมตัวแทนเข้ากับเวิร์กスペース Slack
สิ่งที่คุณจะได้เรียนรู้
ห้องทดลองประกอบด้วยส่วนหลักๆ หลายส่วนดังนี้
- ติดตั้งใช้งานแอปพลิเคชัน Cloud Run เพื่อผสานรวมกับ Gemini API
- สร้างและทำให้ตัวแทน Vertex AI ใช้งานได้
- ผสานรวม Agent เข้ากับ Slack
- กำหนดค่าที่เก็บข้อมูลสำหรับถามและตอบในเอกสาร PDF
ข้อกำหนดเบื้องต้น
- แล็บนี้ถือว่าคุณคุ้นเคยกับสภาพแวดล้อม Cloud Console และ Cloud Shell
2. การตั้งค่าและข้อกําหนด
การตั้งค่าโปรเจ็กต์ที่อยู่ในระบบคลาวด์
- ลงชื่อเข้าใช้ Google Cloud Console และสร้างโปรเจ็กต์ใหม่หรือใช้โปรเจ็กต์ที่มีอยู่ซ้ำ หากยังไม่มีบัญชี Gmail หรือ Google Workspace คุณต้องสร้างบัญชี
- ชื่อโปรเจ็กต์คือชื่อที่แสดงสำหรับผู้เข้าร่วมโปรเจ็กต์นี้ ซึ่งเป็นสตริงอักขระที่ Google APIs ไม่ได้ใช้ คุณจะอัปเดตได้ทุกเมื่อ
- รหัสโปรเจ็กต์จะซ้ำกันไม่ได้ในโปรเจ็กต์ Google Cloud ทั้งหมดและจะเปลี่ยนแปลงไม่ได้ (เปลี่ยนแปลงไม่ได้หลังจากตั้งค่าแล้ว) คอนโซล Cloud จะสร้างสตริงที่ไม่ซ้ำกันโดยอัตโนมัติ ซึ่งปกติแล้วคุณไม่จำเป็นต้องสนใจว่าสตริงนั้นจะเป็นอะไร ในโค้ดแล็บส่วนใหญ่ คุณจะต้องอ้างอิงรหัสโปรเจ็กต์ (ปกติจะระบุเป็น
PROJECT_ID
) หากไม่ชอบรหัสที่สร้างขึ้น คุณอาจสร้างรหัสอื่นแบบสุ่มได้ หรือจะลองใช้อุปกรณ์ของคุณเองเพื่อดูว่าอุปกรณ์พร้อมใช้งานหรือไม่ก็ได้ คุณจะเปลี่ยนแปลงหลังจากขั้นตอนนี้ไม่ได้ และชื่อนี้จะคงอยู่ตลอดระยะเวลาของโปรเจ็กต์ - โปรดทราบว่ามีค่าที่ 3 ซึ่งเป็นหมายเลขโปรเจ็กต์ที่ API บางรายการใช้ ดูข้อมูลเพิ่มเติมเกี่ยวกับค่าทั้ง 3 รายการนี้ได้ในเอกสารประกอบ
- ถัดไป คุณจะต้องเปิดใช้การเรียกเก็บเงินใน Cloud Console เพื่อใช้ทรัพยากร/API ของ Cloud การทำตามโค้ดแล็บนี้จะไม่เสียค่าใช้จ่ายมากนัก หากต้องการปิดใช้ทรัพยากรเพื่อหลีกเลี่ยงการเรียกเก็บเงินหลังจากบทแนะนำนี้ คุณสามารถลบทรัพยากรที่สร้างไว้หรือลบโปรเจ็กต์ได้ ผู้ใช้ Google Cloud รายใหม่มีสิทธิ์เข้าร่วมโปรแกรมช่วงทดลองใช้ฟรีมูลค่า$300 USD
การตั้งค่าสภาพแวดล้อม
เปิดแชท Gemini
เปิดใช้ Cloud AI Companion API
คลิก "Start chatting
" แล้วทำตามคำถามตัวอย่างหรือพิมพ์พรอมต์ของคุณเองเพื่อลองใช้
พรอมต์ให้ลองใช้
- อธิบาย Cloud Run ใน 5 ประเด็นสำคัญ
- คุณเป็นผู้จัดการผลิตภัณฑ์ Google Cloud Run ให้อธิบาย Cloud Run แก่นักเรียนเป็นประเด็นสำคัญสั้นๆ 5 ข้อ
- คุณเป็นผู้จัดการผลิตภัณฑ์ Google Cloud Run อธิบาย Cloud Run ให้แก่นักพัฒนาซอฟต์แวร์ Kubernetes ที่ได้รับการรับรองใน 5 ประเด็นสำคัญสั้นๆ
- คุณเป็นผู้จัดการผลิตภัณฑ์ Google Cloud Run อธิบายให้นักพัฒนาซอฟต์แวร์อาวุโสทราบถึงกรณีที่ควรใช้ Cloud Run กับ GKE โดยใช้ประเด็นสำคัญสั้นๆ 5 ข้อ
ดูข้อมูลเพิ่มเติมเกี่ยวกับการเขียนพรอมต์ที่ดีขึ้นได้ในคู่มือการใช้พรอมต์
วิธีที่ Gemini สำหรับ Google Cloud ใช้ข้อมูลของคุณ
ความมุ่งมั่นด้านความเป็นส่วนตัวของ Google
Google เป็นหนึ่งในบริษัทแรกๆ ในอุตสาหกรรมที่เผยแพร่ความมุ่งมั่นด้านความเป็นส่วนตัวเกี่ยวกับ AI/ML ซึ่งระบุความเชื่อของเราว่าลูกค้าควรมีความปลอดภัยและการควบคุมข้อมูลของตนเองในระดับสูงสุดที่จัดเก็บไว้ในระบบคลาวด์
ข้อมูลที่คุณส่งและได้รับ
คําถามที่คุณถาม Gemini รวมถึงข้อมูลหรือโค้ดที่ป้อนซึ่งส่งให้ Gemini เพื่อวิเคราะห์หรือดำเนินการให้เสร็จสมบูรณ์เรียกว่าพรอมต์ คำตอบหรือการเติมโค้ดที่คุณได้รับจาก Gemini เรียกว่า "คำตอบ" Gemini จะไม่ใช้พรอมต์หรือคำตอบของคุณเป็นข้อมูลในการฝึกโมเดล
การเข้ารหัสพรอมต์
เมื่อคุณส่งพรอมต์ไปยัง Gemini ระบบจะเข้ารหัสข้อมูลของคุณระหว่างการส่งเป็นอินพุตให้กับโมเดลพื้นฐานใน Gemini
ข้อมูลโปรแกรมที่สร้างขึ้นจาก Gemini
Gemini ได้รับการฝึกด้วยโค้ด Google Cloud ของบุคคลที่หนึ่งและโค้ดของบุคคลที่สามที่เลือก คุณมีหน้าที่รับผิดชอบต่อความปลอดภัย การทดสอบ และประสิทธิภาพของโค้ด รวมถึงการเติมโค้ด การสร้าง หรือการวิเคราะห์ที่ Gemini มีให้คุณ
ดูข้อมูลเพิ่มเติมเกี่ยวกับวิธีที่ Google จัดการพรอมต์ของคุณ
3. ตัวเลือกในการทดสอบพรอมต์
คุณทดสอบพรอมต์ได้หลายวิธี
Vertex AI Studio เป็นส่วนหนึ่งของแพลตฟอร์ม Vertex AI ของ Google Cloud ซึ่งออกแบบมาเพื่อลดความซับซ้อนและเร่งการพัฒนาและการใช้โมเดล Generative AI โดยเฉพาะ
Google AI Studio เป็นเครื่องมือบนเว็บสำหรับการสร้างต้นแบบและทดสอบการสร้างพรอมต์และ Gemini API
- เว็บแอป Gemini (gemini.google.com)
เว็บแอป Google Gemini (gemini.google.com) เป็นเครื่องมือบนเว็บที่ออกแบบมาเพื่อช่วยให้คุณสำรวจและใช้ประโยชน์จากความสามารถของโมเดล AI ของ Gemini ของ Google
- แอป Google Gemini บนอุปกรณ์เคลื่อนที่สำหรับ Android และแอป Google ใน iOS
4. โคลนที่เก็บ
กลับไปที่ Google Cloud Console และเปิดใช้งาน Cloud Shell โดยคลิกไอคอนทางด้านขวาของแถบค้นหา
ในเทอร์มินัลที่เปิดอยู่ ให้เรียกใช้คำสั่งต่อไปนี้
git clone https://github.com/GoogleCloudPlatform/genai-for-developers.git
cd genai-for-developers
git checkout slack-agent-jira-lab
คลิก "เปิดเครื่องมือแก้ไข"
ใช้รายการเมนู "File / Open Folder
" เพื่อเปิด "genai-for-developers
"
เปิดเทอร์มินัลใหม่
5. สร้างบัญชีบริการ
สร้างบัญชีบริการและคีย์ใหม่
คุณจะใช้บัญชีบริการนี้เพื่อเรียก API ไปยัง Vertex AI Gemini API จากแอปพลิเคชัน Cloud Run
กำหนดค่ารายละเอียดโปรเจ็กต์โดยใช้รายละเอียดโปรเจ็กต์ qwiklabs
ตัวอย่าง: qwiklabs-gcp-00-2c10937585bb
gcloud config set project YOUR_QWIKLABS_PROJECT_ID
สร้างบัญชีบริการและมอบหมายบทบาท
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
หากได้รับข้อความแจ้งให้ให้สิทธิ์ ให้คลิก "ให้สิทธิ์" เพื่อดำเนินการต่อ
เปิดใช้บริการที่จำเป็นเพื่อใช้ Vertex AI API และ Gemini Chat
gcloud services enable \
generativelanguage.googleapis.com \
aiplatform.googleapis.com \
cloudaicompanion.googleapis.com \
run.googleapis.com \
cloudresourcemanager.googleapis.com
เปิดใช้บริการที่จำเป็นเพื่อใช้ Vertex AI API และ Gemini Chat
gcloud services enable \
artifactregistry.googleapis.com \
cloudbuild.googleapis.com \
runapps.googleapis.com \
workstations.googleapis.com \
servicemanagement.googleapis.com \
secretmanager.googleapis.com \
containerscanning.googleapis.com
เปิดใช้ฟีเจอร์ช่วยเขียนโค้ดของ Gemini
คลิกไอคอน "Gemini" ที่มุมขวาล่าง แล้วคลิก "Sign-in
" และ "Select Google Cloud project
"
จากหน้าต่างป๊อปอัป ให้เลือกโปรเจ็กต์ qwiklabs
ตัวอย่าง
เปิดไฟล์ "devai-api/app/routes.py
" แล้วคลิกขวาที่ใดก็ได้ในไฟล์ แล้วเลือก "Gemini Code Assist > Explain
this"
จากเมนูบริบท
ตรวจสอบคำอธิบายของ Gemini สำหรับไฟล์ที่เลือก
6. ติดตั้งใช้งาน Devai-API ไปยัง Cloud Run
ตรวจสอบว่าคุณอยู่ในโฟลเดอร์ที่ถูกต้อง
cd ~/genai-for-developers/devai-api
ในแล็บนี้ เราจะทําตามแนวทางปฏิบัติแนะนําและใช้ Secret Manager เพื่อจัดเก็บและอ้างอิงค่าโทเค็นการเข้าถึงและคีย์ API ของ LangChain ใน Cloud Run
ตั้งค่าตัวแปรสภาพแวดล้อม
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"
จัดเก็บโทเค็นการเข้าถึง JIRA ใน Secret Manager
echo -n $JIRA_API_TOKEN | \
gcloud secrets create JIRA_API_TOKEN \
--data-file=-
จัดเก็บโทเค็นการเข้าถึง GitLab ใน Secret Manager
echo -n $GITLAB_PERSONAL_ACCESS_TOKEN | \
gcloud secrets create GITLAB_PERSONAL_ACCESS_TOKEN \
--data-file=-
จัดเก็บคีย์ LangChain API ใน Secret Manager
echo -n $LANGCHAIN_API_KEY | \
gcloud secrets create LANGCHAIN_API_KEY \
--data-file=-
ทำให้แอปพลิเคชันใช้งานได้ใน Cloud Run
gcloud run deploy devai-api \
--source=. \
--region="$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
ตอบ Y
เพื่อสร้างที่เก็บ Artifact Registry Docker
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
ขอให้ Gemini อธิบายคำสั่ง
โปรดดูขั้นตอนการดำเนินการ gcloud run deploy SERVICE_NAME --source=.
ด้านล่าง ดูข้อมูลเพิ่มเติม
เบื้องหลัง คำสั่งนี้ใช้ buildpacks
และ Cloud Build
ของ Google Cloud เพื่อสร้างอิมเมจคอนเทนเนอร์จากซอร์สโค้ดโดยอัตโนมัติโดยไม่ต้องติดตั้ง Docker ในเครื่องหรือตั้งค่า Buildpack หรือ Cloud Build กล่าวคือ คำสั่งเดียวที่อธิบายไว้ข้างต้นจะทําสิ่งที่ต้องใช้คําสั่ง gcloud builds submit
และ gcloud run deploy
หากคุณระบุ Dockerfile(ซึ่งเราได้ระบุไว้ในที่เก็บนี้) แล้ว Cloud Build จะใช้ไฟล์ดังกล่าวเพื่อสร้างอิมเมจคอนเทนเนอร์แทนที่จะใช้ Buildpack เพื่อตรวจหาและสร้างอิมเมจคอนเทนเนอร์โดยอัตโนมัติ ดูข้อมูลเพิ่มเติมเกี่ยวกับบิลด์แพ็กได้จากเอกสารประกอบ
ตรวจสอบบันทึก Cloud Build ในคอนโซล
ตรวจสอบอิมเมจ Docker ที่สร้างขึ้นใน Artifact Registry
เปิด cloud-run-source-deploy/devai-api
และตรวจสอบช่องโหว่ที่ตรวจพบโดยอัตโนมัติ ตรวจสอบรายการที่มีวิธีแก้ไขและดูวิธีแก้ไขตามคำอธิบาย
ตรวจสอบรายละเอียดอินสแตนซ์ Cloud Run ใน Cloud Console
ทดสอบปลายทางโดยเรียกใช้คําสั่ง curl
curl -X POST \
-H "Content-Type: application/json" \
-d '{"prompt": "PROJECT-100"}' \
$(gcloud run services list --filter="(devai-api)" --format="value(URL)")/generate
ตรวจสอบเอาต์พุต
7. เครื่องมือสร้างตัวแทน Vertex AI
ค้นหาและเปิด "Agent Builder"
เปิดใช้งาน API
สร้างแอป Agent
พิมพ์ "ตัวแทน" สำหรับชื่อที่แสดง แล้วคลิก "ยอมรับและสร้าง"
ตั้งชื่อตัวแทน
Agent
ตั้งเป้าหมาย:
Help user with questions about JIRA project
วิธีการตั้งค่า
- 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.
คลิก "บันทึก"
ทดสอบตัวแทนโดยใช้แชทโปรแกรมจำลองทางด้านขวา
เปิดเมนูเครื่องมือและสร้างเครื่องมือใหม่
เลือก OpenAPI
จากเมนูแบบเลื่อนลง "ประเภท"
ตั้งชื่อเครื่องมือ
jira-project-status
คำอธิบายชุด:
Returns JIRA project status
ตั้งค่าสคีมา (YAML) - แทนที่ URL ของ 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
บันทึกการกำหนดค่าเครื่องมือ
กลับไปที่การกําหนดค่าตัวแทนและอัปเดตวิธีการใช้เครื่องมือ
เพิ่มวิธีการใช้เครื่องมือใหม่
- Use ${TOOL: jira-project-status} to help the user with JIRA project status.
สลับไปที่แท็บตัวอย่างและเพิ่มตัวอย่างใหม่
ตั้งชื่อที่แสดง
jira-project-flow
ใช้เมนูที่ด้านล่างเพื่อจำลองการสนทนาระหว่างผู้ใช้กับตัวแทน ดังนี้
การกําหนดค่าการเรียกใช้เครื่องมือ
คลิก "บันทึก" และ "ยกเลิก" กลับไปที่โปรแกรมจำลอง Agent แล้วทดสอบโฟลว์
ดูแนวทางปฏิบัติแนะนำสำหรับตัวแทน Vertex AI
การตั้งค่าตัวแทน
การตั้งค่าการบันทึก
การกําหนดค่ารูปแบบ
การผสานรวม GitGub เพื่อพุชและกู้คืนการกำหนดค่าของ Agent
การควบคุมโปรแกรมจำลองตัวแทน
8. การผสานรวม Slack
เปิดเมนูการผสานรวม แล้วคลิก "เชื่อมต่อ" บนการ์ด Slack
เปิดลิงก์และสร้างแอป Slack ใหม่ใน https://api.slack.com/apps
เลือกจาก "ไฟล์ Manifest"
เลือกพื้นที่ทํางานเพื่อพัฒนาแอป
เปลี่ยนไปใช้ YAML แล้ววางไฟล์ Manifest นี้
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
คลิก "สร้าง"
วิธีติดตั้งใน Workspace
เลือกแชแนล "#general" แล้วคลิก "อนุญาต"
ในส่วน "ข้อมูลพื้นฐาน / ข้อมูลเข้าสู่ระบบของแอป" ให้คัดลอก "Signing Secret" และตั้งค่าในการผสานรวม Slack
เปิด "OAuth และสิทธิ์" แล้วคัดลอก "โทเค็น OAuth ของผู้ใช้บ็อต" และตั้งค่าในการผสานรวม Slack
กรอกข้อมูลในช่องที่ต้องกรอก แล้วคลิก "เริ่ม"
ค่า "โทเค็นการเข้าถึง" ของตัวแทนคือ "โทเค็น OAUth ของผู้ใช้บ็อต" จาก Slack
ค่า "โทเค็นการรับรอง" ของตัวแทนคือ "ข้อมูลลับสำหรับการรับรอง" จาก Slack
คัดลอก "URL ของเว็บฮุค" แล้วกลับไปที่การกําหนดค่าแอป Slack
เปิดส่วน "การติดตามเหตุการณ์" และวาง URL
บันทึกการเปลี่ยนแปลง
เปิด "Slack" และเพิ่มตัวแทนโดยพิมพ์ "@Agent"
เช่น การเพิ่มแอปชื่อ "@CX"
ขอสรุปโปรเจ็กต์ JIRA จากตัวแทน
9. ถามและตอบเกี่ยวกับเอกสาร PDF
สร้างที่เก็บข้อมูล Cloud Storage
เปิด GCS ในคอนโซล Cloud: https://console.cloud.google.com/storage/browser
สร้างที่เก็บข้อมูลใหม่
สำหรับชื่อที่เก็บข้อมูล ให้พิมพ์ "pdf-docs
" + ตัวเลข 5 หลักสุดท้ายของโปรเจ็กต์ GCP
ประเภทสถานที่ตั้ง: multi-region, us
คลาสพื้นที่เก็บข้อมูล: Standard
การควบคุมการเข้าถึง: Uniform
การคุ้มครองข้อมูล: uncheck soft delete policy
โปรดคลิกที่ "Create
"
ยืนยัน "ระบบจะป้องกันการเข้าถึงแบบสาธารณะ"
ดาวน์โหลดรายงาน PDF และอัปโหลดไปยังที่เก็บข้อมูล https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf
มุมมองที่เก็บข้อมูลที่มีไฟล์ที่อัปโหลด
การกําหนดค่าพื้นที่เก็บข้อมูล
กลับไปที่ Agent Console แล้วเปิด "Agent
" เลื่อนลงแล้วคลิก "+ Data store
"
ใช้ค่าต่อไปนี้
ชื่อเครื่องมือ: pdf-docs
ประเภท: Data store
คำอธิบาย: pdf-docs
คลิก "Save
"
คลิก "Create a data store
" ที่ด้านล่างของหน้า
คลิก "AGREE
" เมื่อระบบถามว่า "คุณยินยอมให้จัดเก็บข้อมูลการค้นหาและการสนทนาของคุณในภูมิภาคสหรัฐอเมริกาไหม"
พิมพ์ "Google
" ในช่อง "ระบุบริษัท"
ในหน้าจอถัดไป ให้คลิก "CREATE DATA STORE
"
เลือก "Cloud Storage
" เป็นแหล่งข้อมูล
เตรียมข้อมูลสําหรับการนำเข้า
https://cloud.google.com/generative-ai-app-builder/docs/prepare-data
ไฟล์ HTML และ TXT ต้องมีขนาดไม่เกิน 2.5 MB
ไฟล์ PDF, PPTX และ DOCX ต้องมีขนาดไม่เกิน 100 MB
คุณจะนำเข้าไฟล์ได้สูงสุดครั้งละ 100,000 ไฟล์
เลือก unstructured documents
แล้วเลือกที่เก็บข้อมูล/โฟลเดอร์ GCS
คลิก "ดำเนินการต่อ":
สําหรับประเภทชื่อที่เก็บข้อมูล: "pdf-docs
"
เลือก "Digital parser
" จากเมนูแบบเลื่อนลง
เปิดใช้การแบ่งกลุ่มขั้นสูง
เปิดใช้ส่วนหัวหลักในลักษณะเป็นกลุ่ม
โปรดคลิกที่ "Create
"
เลือกพื้นที่เก็บข้อมูลแล้วคลิก "Create
"
คลิกที่ที่เก็บข้อมูลและตรวจสอบเอกสาร กิจกรรม และการกำหนดค่าการประมวลผล
การนําเข้าจะใช้เวลาประมาณ 5-10 นาที
ตัวเลือกการแยกวิเคราะห์และการแบ่งกลุ่ม
คุณควบคุมการแยกวิเคราะห์เนื้อหาได้ดังนี้
- โปรแกรมแยกวิเคราะห์ดิจิทัล ตัวแยกวิเคราะห์แบบดิจิทัลจะเปิดอยู่โดยค่าเริ่มต้นสำหรับไฟล์ทุกประเภท เว้นแต่จะมีการระบุตัวแยกวิเคราะห์ประเภทอื่น ตัวแยกวิเคราะห์แบบดิจิทัลจะประมวลผลเอกสารที่นำเข้าหากไม่ได้ระบุตัวแยกวิเคราะห์เริ่มต้นอื่นสำหรับที่เก็บข้อมูล หรือหากตัวแยกวิเคราะห์ที่ระบุไม่รองรับประเภทไฟล์ของเอกสารที่นำเข้า
- การแยกวิเคราะห์ OCR สำหรับ PDF เวอร์ชันตัวอย่างแบบสาธารณะ หากวางแผนที่จะอัปโหลด PDF ที่สแกนหรือ PDF ที่มีข้อความภายในรูปภาพ ให้เปิดโปรแกรมแยกวิเคราะห์ OCR เพื่อปรับปรุงการจัดทําดัชนี PDF โปรดดูเกี่ยวกับการแยกวิเคราะห์ OCR สำหรับ PDF
- โปรแกรมแยกวิเคราะห์เลย์เอาต์ เวอร์ชันตัวอย่างแบบสาธารณะ เปิดโปรแกรมแยกวิเคราะห์เลย์เอาต์สำหรับไฟล์ HTML, PDF หรือ DOCX หากคุณวางแผนที่จะใช้ Vertex AI Search สำหรับ RAG ดูข้อมูลเกี่ยวกับโปรแกรมแยกวิเคราะห์นี้และวิธีเปิดใช้งานได้ที่แบ่งเอกสารเป็นกลุ่มสําหรับ RAG
ดูข้อมูลเพิ่มเติมเกี่ยวกับการแยกวิเคราะห์และการแบ่งเอกสารเป็นกลุ่ม
การกำหนดค่าเครื่องมือ
กลับไปที่แท็บที่มีการกำหนดค่าเครื่องมือ
รีเฟรชเบราว์เซอร์แล้วเลือก "pdf-docs
" จากเมนูแบบเลื่อนลง "ไม่เป็นโครงสร้าง"
กำหนดค่าการต่อสายกราวด์
พิมพ์ "Google
" สำหรับชื่อบริษัท
การตั้งค่าเพย์โหลด - เลือก "Include snippets in the response payload
"
โปรดคลิกที่ "Save
"
การกำหนดค่าวิธีการของตัวแทน
กลับไปที่การกําหนดค่าตัวแทน
เพิ่มวิธีการใหม่
- Provide detailed answer to users questions about the exec guide to gen ai using information in the ${TOOL:pdf-docs}
บันทึกการกําหนดค่า
สร้างตัวอย่างสำหรับเครื่องมือ PDF-Docs
เปลี่ยนเป็นแท็บตัวอย่าง สร้างตัวอย่างใหม่
การใช้การดำเนินการ "+
"
เพิ่ม "อินพุตของผู้ใช้"
What are the main capabilities?
เพิ่ม "การใช้เครื่องมือ"
- เครื่องมือและการดําเนินการ: "
pdf-docs
"
อินพุต (requestBody)
{
"query": "Main capabilities",
"filter": "",
"userMetadata": {},
"fallback": ""
}
เอาต์พุตของเครื่องมือ
{
"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"
}
]
}
เพิ่ม "คำตอบจากตัวแทน"
Detailed answer about main capabilities.
https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf
ตัวอย่างที่กําหนดค่าแล้ว
การกําหนดค่าการเรียกใช้เครื่องมือ
ทดสอบการกําหนดค่าโดยส่งคําถามไปยังตัวแทนในโปรแกรมจําลอง
คำถาม:
What are the 10 steps in the exec guide?
เลือก "Agent
" แล้วคลิก "Save example
"
ตั้งชื่อ "user-question-flow
" แล้วบันทึก
จัดรูปแบบคำตอบของตัวแทนและใส่ลิงก์ไปยังเอกสาร PDF จากส่วนเอาต์พุตของเครื่องมือ
บันทึกตัวอย่าง
กลับไปที่โปรแกรมจำลองและคลิก "Replay conversation
" ตรวจสอบรูปแบบคำตอบที่อัปเดตแล้ว
ถามคำถามอื่น
What are the main capabilities in the exec guide?
เอกสาร PDF ต้นฉบับ
คำถาม:
What should I consider when evaluating projects?
เอกสาร PDF ต้นฉบับ
คำถาม:
What are the priority use cases in Retail and CPG in the exec guide?
เอกสาร PDF ต้นฉบับ
10. ตัวแทนที่สร้างไว้ล่วงหน้า
สำรวจตัวแทนที่สร้างไว้ล่วงหน้าจากเมนูทางด้านซ้าย
เลือกตัวแทนรายการใดรายการหนึ่งและติดตั้งใช้งาน ดูการตั้งค่า วิธีการ และเครื่องมือของ Agent
11. ยินดีด้วย
ยินดีด้วย คุณทำแล็บเสร็จแล้ว
สิ่งที่เราได้พูดถึง
- วิธีทำให้แอปพลิเคชัน Cloud Run ใช้งานได้เพื่อผสานรวมกับ Gemini API
- วิธีสร้างและติดตั้งใช้งานตัวแทน Vertex AI
- วิธีเพิ่มการผสานรวม Slack สําหรับตัวแทน
- วิธีกำหนดค่าที่เก็บข้อมูลสำหรับถามและตอบในเอกสาร PDF
ขั้นตอนต่อไปที่ทำได้
- ดูแนวทางปฏิบัติแนะนำสำหรับตัวแทน Vertex AI
ล้างข้อมูล
โปรดลบโปรเจ็กต์ที่มีทรัพยากรดังกล่าวหรือเก็บโปรเจ็กต์ไว้และลบทรัพยากรแต่ละรายการเพื่อเลี่ยงไม่ให้เกิดการเรียกเก็บเงินกับบัญชี Google Cloud สำหรับทรัพยากรที่ใช้ในบทแนะนำนี้
การลบโปรเจ็กต์
วิธีที่ง่ายที่สุดในการหยุดการเรียกเก็บเงินคือการลบโปรเจ็กต์ที่คุณสร้างสำหรับบทแนะนำ
©2024 Google LLC สงวนลิขสิทธิ์ Google และโลโก้ของ Google เป็นเครื่องหมายการค้าของ Google LLC ชื่อบริษัทและผลิตภัณฑ์อื่นๆ ทั้งหมดอาจเป็นเครื่องหมายการค้าของบริษัทที่เป็นเจ้าของ