Cette page décrit la tarification et la facturation du moteur RAG sur Gemini Enterprise Agent Platform en fonction des composants du moteur RAG sur Gemini Enterprise Agent Platform que vous utilisez, tels que les modèles, le reclassement et le stockage vectoriel.
Pour en savoir plus, consultez la page Présentation du moteur RAG sur Gemini Enterprise Agent Platform.
Tarification et facturation
Ce tableau explique le fonctionnement de la facturation lorsque vous utilisez les composants RAG.
| Composant | Fonctionnement de la facturation avec le moteur RAG |
|---|---|
| Ingestion de données | Le moteur RAG permet d'ingérer des données provenant de différentes sources de données. Par exemple, l'importation de fichiers locaux, Cloud Storage et Google Drive. L'accès aux fichiers de ces sources de données à partir du moteur RAG est sans frais, mais ces sources de données peuvent facturer le transfert de données. Par exemple, les coûts de sortie de données. |
| Transformation des données (analyse des fichiers) |
|
| Transformation des données (fragmentation des fichiers) | Compatible avec la segmentation de taille fixe, qui est sans frais. |
| Génération d'embeddings |
Le moteur RAG orchestre la génération d'embeddings à l'aide du modèle d'embedding que vous avez spécifié, et les coûts associés à ce modèle sont facturés à votre projet. Pour en savoir plus sur les tarifs, consultez Coût de création et de déploiement de modèles d'IA dans Gemini Enterprise Agent Platform. |
| Indexation et récupération des données |
Le moteur RAG est compatible avec deux catégories de bases de données vectorielles pour la recherche vectorielle :
Une base de données gérée par RAG a deux objectifs :
Une base de données gérée par RAG utilise une instance Spanner comme backend. Pour chacun de vos projets, le moteur RAG provisionne un projet Google Cloud spécifique au client et gère les ressources gérées par RAG qui sont stockées dans le moteur RAG, afin que vos données soient physiquement isolées.
Si vous choisissez le niveau de base ou le niveau Scale
Si un corpus RAG de votre projet choisit d'utiliser une base de données gérée par RAG pour la recherche vectorielle, l'instance Spanner gérée par RAG vous sera facturée. Le moteur RAG affiche les coûts Spanner de votre projet géré par RAG correspondant dans votre projet Google Cloud, afin que vous puissiez voir et payer les coûts de l'instance Spanner. Pour en savoir plus sur les tarifs de Spanner, consultez la page Tarifs de Spanner. |
| Reranking pour le moteur RAG sur Gemini Enterprise Agent Platform |
Les outils de classement suivants sont acceptés après la récupération :
|
Supprimer le moteur RAG
Les exemples de code suivants montrent comment supprimer un moteur RAG pour la console Google Cloud , Python et REST :
Paramètres et exemples de code de l'API version 1 (v1).
Paramètres et exemples de code de l'API v1beta1.
Étapes suivantes
Pour savoir comment utiliser le SDK Vertex AI afin d'exécuter le moteur RAG sur les tâches de Gemini Enterprise Agent Platform, consultez le guide de démarrage rapide de RAG pour Python.
Pour en savoir plus sur l'ancrage, consultez Présentation de l'ancrage.
Pour en savoir plus sur les réponses du moteur RAG, consultez Résultats de récupération et de génération du moteur RAG.
Pour en savoir plus sur l'architecture RAG :