OpenAPI-Tools ermöglichen es dem KI-Coach, Daten basierend auf dem Gesprächskontext dynamisch aus Remote-APIs abzurufen.
Hinweise
Wenn Sie Probleme mit vorhandenen APIs haben, können Sie so vorgehen:
- Erstellen Sie Cloud Run-Funktionen als Wrapper für die vorhandene API. Die Cloud Run-Funktion füllt zusätzliche erforderliche Parameter aus und führt die Nachbearbeitung von API-Antworten durch.
- OpenAPI-Tool zum Aufrufen Ihrer Cloud Run-Funktionen erstellen
Für die Datastore API sind möglicherweise zusätzliche Eingabeparameter erforderlich, z. B. zum Festlegen des Suchergebnismodus. Für eine Cloud Run-Funktion ist nur ein Parameter (query) erforderlich, den der KI-Coach aus dem Unterhaltungskontext extrahieren kann. Bei der Verarbeitung von Antworten gibt die Cloud Run-Funktion nur den besten Treffer anstelle aller Ergebnisse zurück.
So greifen Sie auf Datastore zu:
Schritt 1: Datenspeicher und Suchanwendung erstellen
- Folgen Sie der Anleitung unter Datastore, um Datastore zu erstellen.
- Folgen Sie der Anleitung zum Erstellen einer Suchanwendung.
- Prüfen Sie die Datastore- und Suchanwendung mit der API, um den Lösungstyp, die Suchstufe und die Aktivierung von Chunking zu ermitteln.
Führen Sie den folgenden Befehl aus, um die Chunking-Informationen abzurufen.
gcurl -sX GET \
"https://discoveryengine.googleapis.com/v1alpha/projects/${project_id}/locations/global/collections/default_collection/dataStores/${data_store_id}/documentProcessingConfig"
Das folgende Beispiel zeigt, dass die Aufteilung in Chunks aktiviert ist.
{
"name": "projects/${project_id}/locations/global/collections/default_collection/dataStores/${data_store_id}/documentProcessingConfig",
"chunkingConfig": {
"layoutBasedChunkingConfig": {
"chunkSize": 500,
"includeAncestorHeadings": true
}
},
"defaultParsingConfig": {
"digitalParsingConfig": {}
}
}
Führen Sie den folgenden Befehl aus, um den Lösungstyp und die Suchstufe abzurufen.
gcurl -X GET \
"https://discoveryengine.googleapis.com/v1alpha/projects/${project_id}/locations/global/collections/default_collection/engines/${data_store_id}"
Im folgenden Beispiel wird gezeigt, dass Lösungstyp und Suchstufe überprüft werden.
{
"name": "projects/${project_id}/locations/global/collections/default_collection/engines/${data_store_id}",
"displayName": "iphone_",
"dataStoreIds": [
"${data_store_id}"
],
"solutionType": "SOLUTION_TYPE_SEARCH",
"searchEngineConfig": {
"searchTier": "SEARCH_TIER_ENTERPRISE"
},
"commonConfig": {
"companyName": "Google"
},
"industryVertical": "GENERIC"
}
Schritt 2: Cloud Run-Funktionen zum Aufrufen von Datastore erstellen
Konfigurieren Sie Ihre Cloud Run-Funktionen so, dass ein Identitätstoken erforderlich ist, um sich zu authentifizieren. Cloud Run Functions helfen dabei, komplexe APIs in grundlegende APIs zu verpacken. Sie führen die folgenden Aktionen aus:
- Füllt zusätzliche Felder in der Anfrage aus.
- Ruft die Datastore API auf, um die Suche auszuführen.
- Verarbeitet die API-Antwort und gibt die besten Ergebnisse zurück.
Nachdem Sie Cloud Run-Funktionen erstellt haben, erstellen Sie ein OpenAPI-Tool, um die Cloud Run-Funktionen aufzurufen.
Im folgenden Beispiel werden mit den Cloud Run-Funktionen die Datastore API-Aufrufe ausgeführt, um Suchvorgänge durchzuführen und eine Liste mit Suchergebnissen zu erhalten.
import os
import requests
import google.auth
import google.auth.transport.requests
import functions_framework
@functions_framework.http
def call_vertex_search(request):
"""
HTTP Cloud Function to invoke a Vertex AI Search endpoint.
"""
# --- Configuration - Tailor to your Vertex AI Search specifics ---
project_id = ${project_id}
engine_id = "${data_store_id}"
# Establish the Vertex AI Search endpoint URL
endpoint = f"https://discoveryengine.googleapis.com/v1alpha/projects/${project_id}/locations/global/collections/default_collection/engines/{engine_id}/servingConfigs/default_chat:search"
# --- Acquire Authentication Token ---
try:
credentials, project = google.auth.default()
auth_req = google.auth.transport.requests.Request()
credentials.refresh(auth_req)
token = credentials.token
except Exception as e:
print(f"Authentication token retrieval error: {e}")
return f"Authentication token retrieval error: {e}", 500
headers = {
"Authorization": f"Bearer {token}",
"Content-Type": "application/json",
}
# --- Formulate Search Query ---
# Extract the query from the request; otherwise, employ a default.
request_json = request.get_json(silent=True)
query = "what is the price of iphone 13?" # Default query
if request_json and 'query' in request_json:
query = request_json['query']
payload = {
"query": query,
"page_size": 5,
"content_search_spec": {
"search_result_mode": "CHUNKS"
}
# Additional search parameters, such as filters or boost_spec, can be appended here.
# "filter": "some_attribute:ANY(\"value\")",
}
# --- Execute Vertex AI Search API Call ---
try:
response = requests.post(endpoint, headers=headers, json=payload)
response.raise_for_status() # Trigger an exception for unfavorable status codes.
search_results = response.json()
print(f"Search results: {search_results}")
extracted_data = search_results["results"][0]["chunk"]["content"]
if extracted_data is not None:
print(f"Extracted data: {extracted_data}")
return {"content": extracted_data}, 200
else:
print("Failed to extract search results from the response.")
return "Failed to extract search results from the response", 404
except requests.exceptions.RequestException as e:
print(f"Vertex AI Search invocation error: {e}")
if e.response is not None:
print(f"Error details: {e.response.text}")
return f"Vertex AI Search invocation error: {e.response.text}", e.response.status_code
return f"Vertex AI Search invocation error: {e}", 500
except Exception as e:
print(f"An unanticipated error transpired: {e}")
return f"An unanticipated error transpired: {e}", 500
Verwenden Sie die Shell, um die Cloud Run Functions zu testen. Senden Sie eine Anfrage wie what is the price of iphone 13 (Was kostet das iPhone 13?), wie im folgenden Beispiel gezeigt.
export CLOUDSDK_CORE_PROJECT=${project_id}
curl -H "Authorization: Bearer "$(gcloud auth print-identity-token) -H "X-Goog-User-Project: ${CLOUDSDK_CORE_PROJECT}" -H "Content-Type: application/json; charset=utf-8" -X GET "https://${CLOUD_FUNCTION_ENDPOINT}/?query=what%20is%20the%20price%20of%20iphone%2013"
Sie sollten eine Antwort wie die folgende erhalten:
{"content":"Table of contents\niPhone price history iPhone 4S (2011)\niPhone 4S original starting MSRP: $199\nInflation-adjusted iPhone 4S price: $280\niPhone 5 (2012)\niPhone 5 Original starting MSRP: $199\nInflation-adjusted iPhone 5 price: $276\niPhone 5S/5C (2013) iPhone 5S original starting MSRP: $199\niPhone 5C original starting MSRP: $99\nInflation-adjusted iPhone 5S price: $270\nInflation-adjusted iPhone 5C price: $134\niPhone 6/6 Plus (2014) Table of contents\niPhone price history iPhone 6 original starting MSRP: $199\niPhone 6 Plus original starting MSRP: $299\nInflation-adjusted iPhone 6 price: $266\nInflation-adjusted iPhone 6 Plus price: $398\niPhone 6S/6S Plus (2015)\niPhone 6S original starting MSRP: $199\niPhone 6S Plus original starting MSRP: $299\nInflation-adjusted iPhone 6S price: $265\nInflation-adjusted iPhone 6S Plus price: $397\niPhone 7/7 Plus (2016) Table of contents\niPhone price history iPhone 7 original starting MSRP: $649\niPhone 7 Plus original starting MSRP: $769\nInflation-adjusted iPhone 7 price: $854\nInflation-adjusted iPhone 7 Plus price: $1,011\niPhone 8/8 Plus (2017)\niPhone 8 original starting MSRP: $699\niPhone 8 Plus original starting MSRP: $799\nInflation-adjusted iPhone 8 price: $900\nInflation-adjusted iPhone 8 Plus price: $1,029\niPhone X (2017)\niPhone X original starting MSRP: $999\nInflation-adjusted iPhone X Plus price: $1,287\niPhone XR (2018)\niPhone XR original starting MSRP: $749\nInflation-adjusted iPhone XR Plus price: $942\niPhone XS/S Max (2018) Table of contents\niPhone price history iPhone XS original starting MSRP: $999\niPhone XS Max original starting MSRP: $1,099\nInflation-adjusted iPhone XS price: $1,254\nInflation-adjusted iPhone XS Plus price: $1,380\niPhone 11/Pro/Pro Max (2019)\niPhone 11 original starting MSRP: $699\niPhone 11 Pro original starting MSRP: $999\niPhone 11 Pro Max original starting MSRP: $1099\nInflation-adjusted iPhone 11 price: $863\nInflation-adjusted iPhone 11 Pro price: $1,232\nInflation-adjusted iPhone 11 Pro Max price: $1,355\niPhone 12/Mini/Pro/Pro Max (2020)\niPhone 12 original starting MSRP: $799 Table of contents\niPhone price history Login iPhone 12 Mini original starting MSRP: $699\niPhone 12 Pro original starting MSRP: $999\niPhone 12 Pro Max original starting MSRP: $1099\nInflation-adjusted iPhone 12 price: $976\nInflation-adjusted iPhone 12 Mini price: $853\nInflation-adjusted iPhone 12 Pro price: $1,218\nInflation-adjusted iPhone 12 Pro Max price: $1,340 iPhone 13/Mini/Pro/Pro Max (2021)\niPhone 13 original starting MSRP: $799\niPhone 13 Mini original starting MSRP: $699\niPhone 13 Pro original starting MSRP: $999\niPhone 13 Pro Max original starting MSRP: $1099\nInflation-adjusted iPhone 13 price: $931\nInflation-adjusted iPhone 13 Mini price: $814\nInflation-adjusted iPhone 13 Pro price: $1,163\nInflation-adjusted iPhone 13 Pro Max price: $1,279\niPhone 14/Plus/Pro/Pro Max (2022) Table of contents\niPhone price history Robert Triggs / Android Authority"}
Schritt 3: OpenAPI-Tool erstellen
Folgen Sie der Anleitung unter OpenAPI- und Integration Connectors-Tools, um ein OpenAPI-Tool zu erstellen.
Das folgende Beispiel zeigt, wie das OpenAPI-Tool mit der neuen API interagiert, die von Ihren Cloud Run-Funktionen bereitgestellt wird.
openapi: 3.0.0
info:
title: iphone_price_tool
description: An API to search document about iPhone prices.
version: 1.0.0
servers:
- url: https://${CLOUD_FUNCTION_ENDPOINT}
paths:
/:
get:
summary: Search information about iphone prices
operationId: search
parameters:
- in: query
name: query
schema:
type: string
required: true
description: The user's question about iphone price
responses:
'200':
description: Retrieved information about iphone price
content:
application/json:
schema:
type: object
properties:
content:
type: string
description: Information about iphone price
'400':
description: Bad request, query parameter is missing.
content:
text/plain:
schema:
type: string
example: "Please provide a 'query' as a URL parameter for POST requests (e.g., ?query=your_question)."
'500':
description: Internal server error.
content:
text/plain:
schema:
type: string
example: "Error querying: An unexpected error occurred."
Schritt 4: Generator erstellen
Folgen Sie der Anleitung unter OpenAPI-Tool, um einen KI-Coach-Generator zu erstellen. Verwenden Sie die vom KI-Coach generierten Inhalte, um LLM-Prompts zu erstellen.