Reranking pour le moteur RAG sur Gemini Enterprise Agent Platform

Cette page explique le reclassement et les types de classeurs. La page montre également comment utiliser l'API de classement de Gemini Enterprise Agent Platform pour reclasser les réponses récupérées.

Rerankers disponibles

Options de l'outil de classement Description Latence Justesse Tarifs
API de classement Agent Platform

L'API de classement Agent Platform est un reclasseur sémantique autonome conçu pour un score de pertinence très précis et une faible latence.

Pour en savoir plus sur l'API de classement Agent Platform, consultez Améliorer la qualité de la recherche et du RAG avec l'API de classement.

Très faible (moins de 100 millisecondes) Bénéficiez de performances optimales Par requête du moteur RAG
Reranker LLM Le reclasseur LLM utilise un appel distinct à Gemini pour évaluer la pertinence des fragments par rapport à une requête. Élevée (1 à 2 secondes) Dépend du modèle Tarification des jetons du LLM

Utiliser l'API de classement Agent Platform

Pour utiliser l'API de classement Agent Platform, vous devez activer l'API Discovery Engine. Tous les modèles compatibles sont disponibles dans Améliorer la qualité de la recherche et de la RAG avec l'API Ranking.

Ces exemples de code montrent comment activer le reclassement avec l'API de classement de la plate-forme d'agents dans la configuration de l'outil.

Python

Pour savoir comment installer ou mettre à jour le SDK Agent Platform pour Python, consultez Installer le SDK Agent Platform pour Python. Pour en savoir plus, consultez la documentation de référence de l'API Python.

Remplacez les variables suivantes utilisées dans l'exemple de code :

  • PROJECT_ID : ID de votre projet Google Cloud .
  • LOCATION : région dans laquelle traiter la requête.
  • MODEL_NAME : LLM pour la génération de contenu. Exemple : gemini-3.8-flash.
  • INPUT_PROMPT : texte envoyé au LLM pour la génération de contenu.
  • RAG_CORPUS_RESOURCE : nom de la ressource du corpus RAG.
    Format : projects/{project}/locations/{location}/ragCorpora/{rag_corpus}.
  • SIMILARITY_TOP_K (facultatif) : nombre de contextes principaux à récupérer.
  • RANKER_MODEL_NAME : nom du modèle utilisé pour le reclassement. Par exemple, semantic-ranker-default@latest.
from vertexai import rag
from vertexai.generative_models import GenerativeModel, Tool
import vertexai

PROJECT_ID = "PROJECT_ID"
CORPUS_NAME = "projects/{PROJECT_ID}/locations/LOCATION/ragCorpora/RAG_CORPUS_RESOURCE"

# Initialize Agent Platform API once per session
vertexai.init(project=PROJECT_ID, location="LOCATION")

config = rag.RagRetrievalConfig(
    top_k=10,
    ranking=rag.Ranking(
        rank_service=rag.RankService(
            model_name=RANKER_MODEL_NAME
        )
    )
)

rag_retrieval_tool = Tool.from_retrieval(
    retrieval=rag.Retrieval(
        source=rag.VertexRagStore(
            rag_resources=[
                rag.RagResource(
                    rag_corpus=CORPUS_NAME,
                )
            ],
            rag_retrieval_config=config
        ),
    )
)

rag_model = GenerativeModel(
    model_name="MODEL_NAME", tools=[rag_retrieval_tool]
)
response = rag_model.generate_content("INPUT_PROMPT")
print(response.text)
# Example response:
#   The sky appears blue due to a phenomenon called Rayleigh scattering.
#   Sunlight, which contains all colors of the rainbow, is scattered
#   by the tiny particles in the Earth's atmosphere....
#   ...

REST

Pour générer du contenu à l'aide de modèles Gemini, appelez l'API GenerateContent d'Agent Platform. En spécifiant RAG_CORPUS_RESOURCE lorsque vous effectuez la requête, le modèle récupère automatiquement les données du moteur RAG.

Remplacez les variables suivantes utilisées dans l'exemple de code :

  • PROJECT_ID : ID de votre projet Google Cloud .
  • LOCATION : région dans laquelle traiter la requête.
  • MODEL_NAME : LLM pour la génération de contenu. Exemple : gemini-3.8-flash.
  • GENERATION_METHOD : méthode LLM pour la génération de contenu. Les options sont generateContent et streamGenerateContent.
  • INPUT_PROMPT : texte envoyé au LLM pour la génération de contenu.
  • RAG_CORPUS_RESOURCE : nom de la ressource du corpus RAG.
    Format : projects/{project}/locations/{location}/ragCorpora/{rag_corpus}.
  • SIMILARITY_TOP_K (facultatif) : nombre de contextes principaux à récupérer.
  • RANKER_MODEL_NAME : nom du modèle utilisé pour le reclassement. Par exemple, semantic-ranker-default@latest.
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_NAME:GENERATION_METHOD" \
-d '{
  "contents": {
    "role": "user",
    "parts": {
      "text": "INPUT_PROMPT"
    }
  },
  "tools": {
    "retrieval": {
      "disable_attribution": false,
      "vertex_rag_store": {
        "rag_resources": {
            "rag_corpus": "RAG_CORPUS_RESOURCE"
          },
        "rag_retrieval_config": {
          "top_k": SIMILARITY_TOP_K,
          "ranking": {
            "rank_service": {
              "model_name": "RANKER_MODEL_NAME"
            }
          }
        }
      }
    }
  }
}'

Utiliser le reclasseur LLM dans le moteur RAG

Cette section présente les conditions préalables et des exemples de code pour utiliser un reclasseur LLM.

Le reclasseur LLM n'est compatible qu'avec les modèles Gemini, qui sont accessibles lorsque l'API du moteur RAG sur Gemini Enterprise Agent Platform est activée. Pour afficher la liste des modèles compatibles, consultez Modèles Gemini.

Pour récupérer des contextes pertinents à l'aide de l'API du moteur RAG, procédez comme suit :

Python

Pour savoir comment installer ou mettre à jour le SDK Agent Platform pour Python, consultez Installer le SDK Agent Platform pour Python. Pour en savoir plus, consultez la documentation de référence de l'API Python.

Remplacez les variables suivantes utilisées dans l'exemple de code :

  • PROJECT_ID : ID de votre projet Google Cloud .
  • LOCATION : région dans laquelle traiter la requête.
  • RAG_CORPUS_RESOURCE : nom de la ressource du corpus RAG. Format : projects/{project}/locations/{location}/ragCorpora/{rag_corpus}.
  • TEXT : texte de la requête permettant d'obtenir les contextes pertinents.
  • MODEL_NAME : nom du modèle utilisé pour le reclassement.
from vertexai import rag
import vertexai

PROJECT_ID = "PROJECT_ID"
CORPUS_NAME = "projects/[PROJECT_ID]/locations/LOCATION/ragCorpora/RAG_CORPUS_RESOURCE"
MODEL_NAME= "MODEL_NAME"

# Initialize Agent Platform API once per session
vertexai.init(project=PROJECT_ID, location="LOCATION")

rag_retrieval_config = rag.RagRetrievalConfig(
    top_k=10,
    ranking=rag.Ranking(
        llm_ranker=rag.LlmRanker(
            model_name=MODEL_NAME
        )
    )
)

response = rag.retrieval_query(
    rag_resources=[
        rag.RagResource(
            rag_corpus=CORPUS_NAME,
        )
    ],
    text="TEXT",
    rag_retrieval_config=rag_retrieval_config,
)
print(response)
# Example response:
# contexts {
#   contexts {
#     source_uri: "gs://your-bucket-name/file.txt"
#     text: "....
#   ....

REST

Remplacez les variables suivantes utilisées dans l'exemple de code :

  • PROJECT_ID : ID de votre projet Google Cloud .
  • LOCATION : région dans laquelle traiter la requête.
  • RAG_CORPUS_RESOURCE : nom de la ressource du corpus RAG. Format : projects/{project}/locations/{location}/ragCorpora/{rag_corpus}.
  • TEXT : texte de la requête permettant d'obtenir les contextes pertinents.
  • MODEL_NAME : nom du modèle utilisé pour le reclassement.
curl -X POST \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts" \
  -d '{
    "vertex_rag_store": {
      "rag_resources": {
          "rag_corpus": "RAG_CORPUS_RESOURCE"
        }
    },
    "query": {
      "text": "TEXT",
      "rag_retrieval_config": {
        "top_k": 10,
        "ranking": {
          "llm_ranker": {
            "model_name": "MODEL_NAME"
          }
        }
      }
    }
  }'

Étapes suivantes