Faturamento do mecanismo RAG na plataforma de agentes do Gemini Enterprise

Nesta página, descrevemos os preços e o faturamento do Mecanismo RAG na Gemini Enterprise Agent Platform com base nos componentes do Mecanismo RAG na Gemini Enterprise Agent Platform que você usa, como modelos, reclassificação e armazenamento de vetores.

Para mais informações, consulte a página de visão geral do Mecanismo RAG na Gemini Enterprise Agent Platform.

Preços e faturamento

Esta tabela explica como o faturamento funciona quando você usa os componentes de RAG.

Componente Como funciona o faturamento com o mecanismo RAG
Ingestão de dados O RAG Engine oferece suporte à ingestão de dados de diferentes fontes. Por exemplo, fazer upload de arquivos locais, Cloud Storage e Google Drive. O acesso a arquivos nessas fontes de dados pelo RAG Engine é sem custo financeiro, mas essas fontes podem cobrar pela transferência de dados. Por exemplo, custos de saída de dados.
Transformação de dados (análise de arquivos)
  • Analisador padrão: sem custo financeiro.
  • Analisador de LLM: o mecanismo RAG usa o modelo de LLM que você especificou para analisar o arquivo, e você vai ver e pagar os custos do modelo de LLM diretamente do seu projeto.
  • Analisador de layout da Document AI: o mecanismo de RAG usa o analisador de layout da Document AI que você especificou para processar seu arquivo. Você vai ver e pagar pelo uso do analisador de layout da Document AI diretamente no seu projeto.
Transformação de dados (divisão de arquivos em blocos) Oferece suporte à fragmentação de tamanho fixo, que é sem custo financeiro.
Geração de embeddings

O mecanismo RAG orquestra a geração de embeddings usando o modelo de embedding que você especificou, e seu projeto é cobrado pelos custos associados a esse modelo.

Para mais informações sobre preços, consulte Custo de criação e implantação de modelos de IA na Gemini Enterprise Agent Platform.

Indexação e recuperação de dados

O RAG Engine é compatível com duas categorias de bancos de dados vetoriais para pesquisa vetorial:

  • Banco de dados gerenciado por RAG
  • Banco de dados vetorial próprio

Um banco de dados gerenciado por RAG tem duas finalidades:

  • Um banco de dados gerenciado por RAG armazena recursos de RAG, como corpora e arquivos de RAG. O conteúdo dos arquivos é excluído.
  • Se você quiser, indexação e recuperação de embeddings para pesquisa vetorial.

Um banco de dados gerenciado por RAG usa uma instância do Spanner como back-end.

Para cada um dos seus projetos, o RAG Engine provisiona um projeto do Google Cloud específico do cliente e gerencia recursos gerenciados por RAG que são armazenados no RAG Engine, para que seus dados fiquem fisicamente isolados.

Se você escolher o nível RagManagedDB Basic ou Scaled, o mecanismo RAG vai provisionar uma instância da edição Enterprise do Spanner no projeto correspondente:

  • Nível básico: 100 unidades de processamento com backup
  • Nível escalonado: começa em 1 nó (1.000 unidades de processamento) e faz o escalonamento automático para até 10 nós com backup

Se algum corpus de RAG no seu projeto usar um banco de dados gerenciado por RAG para a pesquisa vetorial, você vai receber cobranças pela instância do Spanner gerenciada por RAG.

O Mecanismo RAG mostra os custos do Spanner do projeto gerenciado por RAG correspondente no seu projeto do Google Cloud, para que você possa ver e pagar os custos da instância do Spanner.

Para mais detalhes sobre os preços do Spanner, consulte Preços do Spanner.

Reclassificação para o mecanismo RAG na Gemini Enterprise Agent Platform

As seguintes ferramentas de classificação são compatíveis após a recuperação:

  • Reclassificador de LLM: o RAG Engine usa o modelo de LLM que você especificou para reclassificar os resultados da recuperação, e você vai ver e pagar os custos do modelo de LLM diretamente do seu projeto.
  • API de classificação do Agent Search na Gemini Enterprise Agent Platform: o Mecanismo RAG usa a API de classificação do Agent Search para reclassificar os resultados da recuperação, e você verá e pagará pela API Ranking diretamente no seu projeto.

Excluir mecanismo RAG

Os exemplos de código a seguir demonstram como excluir um mecanismo de RAG para o console do Google Cloud , Python e REST:

A seguir