หน้านี้ได้รับการแปลโดย Cloud Translation API

GenAI Agent สำหรับ QA เกี่ยวกับเอกสารและการเรียก API

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

Vertex AI Studio เป็นส่วนหนึ่งของแพลตฟอร์ม Vertex AI ของ Google Cloud ซึ่งออกแบบมาเพื่อลดความซับซ้อนและเร่งการพัฒนาและการใช้โมเดล Generative AI โดยเฉพาะ

Google AI Studio

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