Penagihan Mesin RAG di Gemini Enterprise Agent Platform

Halaman ini menjelaskan harga dan penagihan RAG Engine di Gemini Enterprise Agent Platform berdasarkan komponen RAG Engine di Gemini Enterprise Agent Platform yang Anda gunakan, seperti model, penentuan peringkat ulang, dan penyimpanan vektor.

Untuk mengetahui informasi selengkapnya, lihat halaman Ringkasan Mesin RAG di Gemini Enterprise Agent Platform.

Penetapan harga dan penagihan

Tabel ini menjelaskan cara kerja penagihan saat Anda menggunakan komponen RAG.

Komponen Cara kerja penagihan dengan RAG Engine
Penyerapan data RAG Engine mendukung penyerapan data dari berbagai sumber data. Misalnya, mengupload file lokal, Cloud Storage, dan Google Drive. Mengakses file di sumber data ini dari RAG Engine tidak dikenai biaya, tetapi sumber data ini mungkin mengenakan biaya untuk transfer data. Misalnya, biaya egress data.
Transformasi data (penguraian file)
  • Parser default: Gratis.
  • LLM Parser: RAG Engine menggunakan model LLM yang Anda tentukan untuk mengurai file, dan Anda akan melihat serta membayar biaya model LLM langsung dari project Anda.
  • Parser tata letak Document AI: RAG Engine menggunakan parser tata letak Document AI yang Anda tentukan untuk memproses file, dan Anda akan melihat serta membayar penggunaan parser tata letak Document AI langsung dari project Anda.
Transformasi data (chunking file) Mendukung pengelompokan ukuran tetap, yang gratis.
Pembuatan embedding

RAG Engine mengatur pembuatan embedding menggunakan model embedding yang Anda tentukan, dan project Anda akan ditagih untuk biaya yang terkait dengan model tersebut.

Untuk mengetahui informasi harga selengkapnya, lihat Biaya membangun dan men-deploy model AI di Gemini Enterprise Agent Platform.

Pengindeksan dan pengambilan data

RAG Engine mendukung dua kategori database vektor untuk penelusuran vektor:

  • Database yang dikelola RAG
  • Database vektor Bring-Your-Own

Database yang dikelola RAG memiliki dua tujuan:

  • Database yang dikelola RAG menyimpan resource RAG, seperti korpus RAG dan file RAG. Konten file dikecualikan.
  • Sesuai pilihan Anda, pengindeksan dan pengambilan embedding untuk penelusuran vektor.

Database yang dikelola RAG menggunakan instance Spanner sebagai backend.

Untuk setiap project Anda, RAG Engine menyediakan project Google Cloud khusus pelanggan dan mengelola resource yang dikelola RAG yang disimpan di RAG Engine, sehingga data Anda diisolasi secara fisik.

Jika Anda memilih tingkat RagManagedDB Dasar atau Tingkat skala, RAG Engine akan menyediakan instance edisi Spanner Enterprise di project yang sesuai:

  • Paket dasar: 100 unit pemrosesan dengan pencadangan
  • Tingkat skala: Mulai dari 1 node (1.000 unit pemrosesan) dan penskalaan otomatis hingga 10 node dengan pencadangan

Jika ada korpus RAG dalam project Anda yang memilih untuk menggunakan database yang dikelola RAG untuk penelusuran vektor, Anda akan dikenai biaya untuk instance Spanner yang dikelola RAG.

RAG Engine menampilkan biaya Spanner dari project yang dikelola RAG yang sesuai ke project Google CloudAnda, sehingga Anda dapat melihat dan membayar biaya instance Spanner.

Untuk mengetahui detail harga Spanner selengkapnya, lihat Harga Spanner.

Pemeringkatan ulang untuk Mesin RAG di Gemini Enterprise Agent Platform

Alat peringkat berikut didukung setelah pengambilan:

  • LLM Reranker: RAG Engine menggunakan model LLM yang Anda tentukan untuk memberi peringkat ulang hasil pengambilan, dan Anda akan melihat serta membayar biaya model LLM langsung dari project Anda.
  • Agent Search ranking API: RAG Engine menggunakan Agent Search ranking API untuk memberi peringkat ulang hasil pengambilan, dan Anda akan melihat serta membayar Ranking API langsung dari project Anda.

Menghapus Mesin RAG

Contoh kode berikut menunjukkan cara menghapus RAG Engine untuk konsol Google Cloud , Python, dan REST:

Langkah berikutnya