‫Google משתמשת בטכנולוגיית AI כדי לתרגם תוכן לשפה המועדפת עליך. בתרגומים כאלו עשויות להיות שגיאות.

שימוש ב-Vertex AI Feature Store ב-RAG Engine

תצוגה מקדימה

חלק מהתכונות של RAG הן מוצרים בשלב טרום-GA (Preview), שכפופות ל "תנאי השימוש במוצרים בגרסת טרום-GA" בתנאים הספציפיים לשירות Google Cloud. השימוש בתכונות ובמוצרים בגרסת טרום-GA הוא "כפי שהם" (As is), ויכול להיות שהתמיכה בהם תהיה מוגבלת. בנוסף, יכול להיות ששינויים בתכונות ובמוצרים בגרסת טרום-GA לא יהיו תואמים לגרסאות אחרות של טרום-GA. אתם יכולים לקרוא מידע נוסף בקטע תיאור שלבי ההשקה. השימוש ב-Gemini API ב-Gemini Enterprise Agent Platform מבטא את ההסכמה שלך לתנאים ולהגבלות של גרסת טרום-ההשקה (Preview) של AI גנרטיבי.

בדף הזה מוסבר איך להגדיר את Vertex AI Feature Store כמסד נתונים וקטורי לשימוש עם RAG Engine.

אפשר גם לעקוב אחרי ההוראות באמצעות ה-notebook‏ RAG Engine with Vertex AI Feature Store.

כשמשלבים את Vertex AI Feature Store כמסד נתונים וקטורי נוסף, מנוע ה-RAG יכול להשתמש ב-Vertex AI Feature Store כדי לטפל בנפחי נתונים גדולים עם זמן אחזור קצר, וכך לשפר את הביצועים ואת יכולת ההתאמה לעומס (scaling) של אפליקציות ה-RAG.

הגדרת Vertex AI Feature Store

‫Vertex AI Feature Store הוא שירות מנוהל מבוסס-ענן, והוא רכיב חיוני ב-Gemini Enterprise Agent Platform. הוא מפשט את ניהול המאפיינים של למידת המכונה (ML) ואת מילוי הבקשות באופן מיידי, ומאפשר לכם לנהל את נתוני המאפיינים בטבלה ב-BigQuery או בתצוגה של BigQuery. כך אפשר להציג מאפיינים אונליין בזמן אחזור נמוך.

במכונות FeatureOnlineStore שנוצרו עם מילוי בקשות אופטימלי אונליין, אפשר להשתמש בחיפוש דמיון וקטורי כדי לאחזר רשימה של ישויות שקשורות או דומות מבחינה סמנטית, שנקראות השכנים הקרובים ביותר בקירוב.

בקטעים הבאים מוסבר איך להגדיר מכונה של Vertex AI Feature Store לאפליקציית ה-RAG.

יצירת סכימה של טבלה ב-BigQuery

משתמשים במסוף Google Cloud כדי ליצור סכימה של טבלה ב-BigQuery. כדי שהקובץ ישמש כמקור נתונים, הוא צריך להכיל את השדות הבאים:

שם השדה	סוג נתונים	סטטוס
`corpus_id`	`String`	חובה
`file_id`	`String`	חובה
`chunk_id`	`String`	חובה
`chunk_data_type`	`String`	ניתן להגדרה כ-null
`chunk_data`	`String`	ניתן להגדרה כ-null
`file_original_uri`	`String`	ניתן להגדרה כ-null
`embeddings`	`Float`	שדה

דוגמת הקוד הזו ממחישה איך להגדיר את הסכימה של הטבלה ב-BigQuery.

SQL

  CREATE TABLE `PROJECT_ID.input_us_central1.rag_source_new` (
    `corpus_id` STRING NOT NULL,
    `file_id` STRING NOT NULL,
    `chunk_id` STRING NOT NULL,
    `chunk_data_type` STRING,
    `chunk_data` STRING,
    `embeddings` ARRAY<FLOAT64>,
    `file_original_uri` STRING
  );

הקצאת הרשאות ידנית למכונה של `FeatureOnlineStore`

כדי להפעיל מילוי בקשות אונליין של מאפיינים, משתמשים ב-Vertex AI Feature Store API CreateFeatureOnlineStore כדי להגדיר מכונה של FeatureOnlineStore. אם אתם מקצים FeatureOnlineStore בפעם הראשונה, יכול להיות שהפעולה תימשך כחמש דקות.

REST

כדי ליצור מכונה של חנות אונליין, שולחים בקשת POST באמצעות ה-method‏ featureOnlineStores.create.

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫LOCATION_ID: האזור שבו רוצים ליצור את המכונה של FeatureOnlineStore, למשל us-central1.
‫PROJECT_ID: מזהה הפרויקט.
‫FEATUREONLINESTORE_NAME: השם של המכונה החדשה של FeatureOnlineStore.

ה-method של ה-HTTP וכתובת ה-URL:

POST https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores?feature_online_store_id=FEATUREONLINESTORE_NAME

גוף בקשת JSON:

{
  "optimized": {}
}

כדי לשלוח את הבקשה עליכם לבחור אחת מהאפשרויות הבאות:

curl

הערה: הפקודה הבאה מבוססת על ההנחה שנכנסתם ל-CLI של gcloud באמצעות חשבון המשתמש שלכם, על ידי הרצת gcloud init או gcloud auth login, או באמצעות Cloud Shell שמחבר אתכם אוטומטית ל-CLI של gcloud. כדי לבדוק איזה חשבון פעיל, אפשר להריץ את הפקודה gcloud auth list.

שומרים את גוף הבקשה בקובץ בשם request.json ומריצים את הפקודה הבאה:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores?feature_online_store_id=FEATUREONLINESTORE_NAME"

PowerShell

הערה: הפקודה הבאה מבוססת על ההנחה שנכנסתם ל-CLI של gcloud באמצעות חשבון המשתמש שלכם, על ידי הרצת gcloud init או gcloud auth login. כדי לבדוק איזה חשבון פעיל, אפשר להריץ את הפקודה gcloud auth list.

שומרים את גוף הבקשה בקובץ בשם request.json ומריצים את הפקודה הבאה:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores?feature_online_store_id=FEATUREONLINESTORE_NAME" | Select-Object -Expand Content

אתם אמורים לקבל תגובת JSON שדומה לזו:

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.CreateFeatureOnlineStoreOperationMetadata",
    "genericMetadata": {
      "createTime": "2023-09-18T17:49:23.847496Z",
      "updateTime": "2023-09-18T17:49:23.847496Z"
    }
  }
}

Python

במאמר התקנת Vertex AI SDK ל-Python מוסבר איך להתקין או לעדכן את Vertex AI SDK ל-Python. מידע נוסף מופיע ב מאמרי העזרה של ה-API מבוסס-Python.


from google.cloud import aiplatform
from vertexai.resources.preview import feature_store


def create_optimized_public_feature_online_store_sample(
    project: str,
    location: str,
    feature_online_store_id: str,
):
    aiplatform.init(project=project, location=location)
    fos = feature_store.FeatureOnlineStore.create_optimized_store(
        feature_online_store_id
    )
    return fos

‫project: מזהה הפרויקט.
‫location: האזור שבו רוצים ליצור את המכונה של FeatureOnlineStore, למשל us-central1.
‫feature_online_store_id: השם של המכונה החדשה של FeatureOnlineStore.

יצירת משאב `FeatureView`

כדי לקשר את הטבלה ב-BigQuery, שבה מאוחסן מקור הנתונים של המאפיינים, למכונה של FeatureOnlineStore, צריך לשלוח קריאה ל-API של CreateFeatureView כדי ליצור משאב של FeatureView. כשיוצרים משאב FeatureView, בוחרים במדד המרחק שמוגדר כברירת מחדל DOT_PRODUCT_DISTANCE, שמוגדר כערך השלילי של המכפלה הסקלרית (ערך DOT_PRODUCT_DISTANCE קטן יותר מציין דמיון גבוה יותר).

דוגמת הקוד הזו ממחישה איך ליצור משאב FeatureView.

REST

  # TODO(developer): Update and uncomment the following lines:
  # Set feature_view_id
  # Example: "feature_view_test"
  # FEATURE_VIEW_ID = "your-feature-view-id"
  #
  # The big_query_uri generated in the above BigQuery table schema creation step
  # The format should be "bq://" + BigQuery table ID
  # Example: "bq://tester.ragtest1.rag_testdata"
  # BIG_QUERY_URI=YOUR_BIG_QUERY_URI

  # Call CreateFeatureView API to create a FeatureView
  curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" -H "Content-Type: application/json" \
  https://us-central1-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/us-central1/featureOnlineStores/${FEATURE_ONLINE_STORE_ID}/featureViews?feature_view_id=${FEATURE_VIEW_ID} \
    -d '{
          "vertex_rag_source": {
            "uri": '\""${BIG_QUERY_URI}"\"'
          }
      }'

  # Call ListFeatureViews API to verify the FeatureView is created successfully
  curl -X GET -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" -H "Content-Type: application/json" https://us-central1-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/us-central1/featureOnlineStores/${FEATURE_ONLINE_STORE_ID}/featureViews

Python


from google.cloud import aiplatform
from vertexai.resources.preview import feature_store


def create_feature_view_from_rag_source(
    project: str,
    location: str,
    existing_feature_online_store_id: str,
    feature_view_id: str,
    bq_table_uri: str,
):
    aiplatform.init(project=project, location=location)
    fos = feature_store.FeatureOnlineStore(existing_feature_online_store_id)
    fv = fos.create_feature_view(
        name=feature_view_id,
        source=feature_store.utils.FeatureViewVertexRagSource(uri=bq_table_uri),
    )
    return fv

העלאת נתונים ומילוי בקשות באופן מיידי

‫RAG API מטפל בהעלאת נתונים ובמילוי בקשות באופן מיידי. מידע נוסף על RAG Engine ב-Gemini Enterprise Agent Platform API:

שימוש ב-Vertex AI Feature Store ב-RAG Engine

אחרי שמגדירים את המכונה של Vertex AI Feature Store, בקטעים הבאים מוסבר איך להגדיר אותה כמסד נתוני הווקטורים לשימוש עם אפליקציית ה-RAG.

שימוש במכונה של Vertex AI Feature Store בתור מסד הנתונים הווקטורי ליצירת קורפוס RAG

כדי ליצור את קורפוס ה-RAG, צריך להשתמש ב-FEATURE_VIEW_RESOURCE_NAME. הקורפוס של RAG נוצר ומשויך באופן אוטומטי למכונה של Vertex AI Feature Store. ממשקי ה-API של RAG משתמשים ב-rag_corpus_id שנוצר כדי לטפל בהעלאת הנתונים למכונה של Vertex AI Feature Store, ולאחזר הקשרים רלוונטיים מ-rag_corpus_id.

דוגמת הקוד הזו ממחישה איך להשתמש במכונה של Vertex AI Feature Store כמסד נתונים וקטורי כדי ליצור קורפוס RAG.

REST

# TODO(developer): Update and uncomment the following lines:
# CORPUS_DISPLAY_NAME = "your-corpus-display-name"
#
# Full feature view resource name
# Format: projects/${PROJECT_ID}/locations/us-central1/featureOnlineStores/${FEATURE_ONLINE_STORE_ID}/featureViews/${FEATURE_VIEW_ID}
# FEATURE_VIEW_RESOURCE_NAME = "your-feature-view-resource-name"

# Call CreateRagCorpus API to create a new RAG corpus
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
  https://us-central1-aiplatform.googleapis.com/v1beta1/projects/{PROJECT_ID}/locations/us-central1/ragCorpora -d '{
    "display_name" : '\""${CORPUS_DISPLAY_NAME}"\"',
    "rag_vector_db_config" : {
      "vertex_feature_store": {
        "feature_view_resource_name":'\""${FEATURE_VIEW_RESOURCE_NAME}"\"'
      }
    }
  }'

# Call ListRagCorpora API to verify the RAG corpus is created successfully
curl -sS -X GET \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://us-central1-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_ID}/locations/us-central1/ragCorpora"

Python


import agentplatform
from agentplatform import types

# TODO(developer): Update and un-comment below lines
# PROJECT_ID = "your-project-id"
# feature_view_name = "projects/{PROJECT_ID}/locations/{LOCATION}/featureOnlineStores/{FEATURE_ONLINE_STORE_ID}/featureViews/{FEATURE_VIEW_ID}"
# display_name = "test_corpus"
# description = "Corpus Description"

# Initialize Agent Platform client once per session.
# See https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/rag-engine/rag-overview#supported-regions
client = agentplatform.Client(project=PROJECT_ID, location="us-east5")

# Configure embedding model (Optional)
backend_config = types.RagVectorDbConfig(
    rag_embedding_model_config=types.RagEmbeddingModelConfig(
        vertex_prediction_endpoint=types.RagEmbeddingModelConfigVertexPredictionEndpoint(
            endpoint="publishers/google/models/text-embedding-005"
        ),
    ),
    vertex_feature_store=types.RagVectorDbConfigVertexFeatureStore(
        feature_view_resource_name=feature_view_name
    )
)

corpus = client.rag.create_corpus(
    rag_corpus=types.RagCorpus(
        display_name=display_name,
        description=description,
        rag_vector_db_config=backend_config,
    )
)
print(corpus)
# Example response:
# RagCorpus(name='projects/1234567890/locations/us-central1/ragCorpora/1234567890',
# display_name='test_corpus', description='Corpus Description', embedding_model_config=...
# ...

ייבוא קבצים לטבלה ב-BigQuery באמצעות RAG API

משתמשים ב-API של ImportRagFiles כדי לייבא קבצים מ- Google Cloud Storage או מ-Google Drive לטבלה ב-BigQuery של המכונה של Vertex AI Feature Store. הקבצים מוטמעים ומאוחסנים בטבלה ב-BigQuery.

דוגמת הקוד הבאה ממחישה איך לייבא קבצים לטבלה ב-BigQuery באמצעות RAG API.

REST

# TODO(developer): Update and uncomment the following lines:
# RAG_CORPUS_ID = "your-rag-corpus-id"
#
# Google Cloud Storage bucket/file location.
# For example, "gs://rag-fos-test/"
# GCS_URIS= "your-gcs-uris"

# Call ImportRagFiles API to embed files and store in the BigQuery table
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://us-central1-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_ID}/locations/us-central1/ragCorpora/${RAG_CORPUS_ID}/ragFiles:import \
-d '{
  "import_rag_files_config": {
    "gcs_source": {
      "uris": '\""${GCS_URIS}"\"'
    },
    "rag_file_chunking_config": {
      "chunk_size": 512
    }
  }
}'

# Call ListRagFiles API to verify the files are imported successfully
curl -X GET \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
https://us-central1-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_ID}/locations/us-central1/ragCorpora/${RAG_CORPUS_ID}/ragFiles

Python


import agentplatform
from agentplatform import types

from google.genai import types as genai_types

# TODO(developer): Update and un-comment below lines
# PROJECT_ID = "your-project-id"
# corpus_name = "projects/{PROJECT_ID}/locations/us-east5/ragCorpora/{rag_corpus_id}"
# paths = ["gs://my_bucket/my_files_dir/*"]

# Initialize Agent Platform client once per session.
# See https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/rag-engine/rag-overview#supported-regions
client = agentplatform.Client(project=PROJECT_ID, location="us-east5")

response = client.rag.import_files(
    name=corpus_name,
    import_config=types.ImportRagFilesConfig(
        gcs_source=genai_types.GcsSource(uris=paths),
        rag_file_transformation_config=types.RagFileTransformationConfig(
            rag_file_chunking_config=types.RagFileChunkingConfig(
                chunk_size=512,
                chunk_overlap=100,
            )
        ),  # optional
        max_embedding_requests_per_min=900,  # optional
    ),
)

print(f"Imported {response.imported_rag_files_count} files.")
# Example response:
# Imported 2 files.

הפעלת תהליך סנכרון כדי ליצור אינדקס של `FeatureOnlineStore`

אחרי שמעלים את הנתונים לטבלה ב-BigQuery, מריצים תהליך סנכרון כדי שהנתונים יהיו זמינים למילוי בקשות באופן מיידי. צריך ליצור אינדקס FeatureOnlineStore באמצעות FeatureView, ותהליך הסנכרון עשוי להימשך 20 דקות.

דוגמת הקוד הבאה ממחישה איך להריץ תהליך סנכרון כדי ליצור אינדקס של FeatureOnlineStore.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫LOCATION_ID: האזור שבו נמצאת חנות האונליין, למשל us-central1.
‫PROJECT_ID: מזהה הפרויקט.
‫FEATUREONLINESTORE_NAME: השם של החנות הווירטואלית שמכילה את תצוגת המאפיינים.
‫FEATUREVIEW_NAME: השם של תצוגת התכונות שבה רוצים להתחיל באופן ידני את סנכרון הנתונים.

ה-method של ה-HTTP וכתובת ה-URL:

POST https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME:sync

כדי לשלוח את הבקשה אתם צריכים לבחור אחת מהאפשרויות הבאות:

curl

מריצים את הפקודה הבאה:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d "" \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME:sync"

PowerShell

מריצים את הפקודה הבאה:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME:sync" | Select-Object -Expand Content

אתם אמורים לקבל תגובת JSON שדומה לזו:

{
  "featureViewSync": "projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME/featureViewSyncs/OPERATION_ID"
}

אחזור הקשרים רלוונטיים באמצעות RAG API

אחרי שתהליך הסנכרון מסתיים, אפשר לאחזר הקשרים רלוונטיים מהאינדקס של FeatureOnlineStore באמצעות ה-API של RetrieveContexts.

REST

# TODO(developer): Update and uncomment the following lines:
# RETRIEVAL_QUERY="your-retrieval-query"
#
# Full RAG corpus resource name
# Format:
# "projects/${PROJECT_ID}/locations/us-central1/ragCorpora/${RAG_CORPUS_ID}"
# RAG_CORPUS_RESOURCE="your-rag-corpus-resource"

# Call RetrieveContexts API to retrieve relevant contexts
curl -X POST \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
https://us-central1-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_ID}/locations/us-central1:retrieveContexts \
  -d '{
    "vertex_rag_store": {
      "rag_resources": {
          "rag_corpus": '\""${RAG_CORPUS_RESOURCE}"\"',
        },
    },
    "query": {
      "text": '\""${RETRIEVAL_QUERY}"\"',
      "similarity_top_k": 10
    }
  }'

Python


import agentplatform

from agentplatform import types
from google.genai import types as genai_types

# TODO(developer): Update and un-comment below lines
# PROJECT_ID = "your-project-id"
# corpus_name = "projects/[PROJECT_ID]/locations/us-east5/ragCorpora/[rag_corpus_id]"

# Initialize Agent Platform client once per session.
# See https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/rag-engine/rag-overview#supported-regions
client = agentplatform.Client(project=PROJECT_ID, location="us-east5")

response = client.rag.retrieve_contexts(
    vertex_rag_store=genai_types.VertexRagStore(
        rag_resources=[
            genai_types.VertexRagStoreRagResource(
                rag_corpus=corpus_name,
                # Optional: supply IDs from `rag.list_files()`.
                # rag_file_ids=["rag-file-1", "rag-file-2", ...],
            )
        ],
    ),
    query=types.RagQuery(
        text="Hello World!",
        rag_retrieval_config=genai_types.RagRetrievalConfig(
            top_k=10,
            filter=genai_types.RagRetrievalConfigFilter(
                vector_distance_threshold=0.5
            ),
        ),
    )
)
print(response)
# Example response:
# contexts {
#   contexts {
#     source_uri: "gs://your-bucket-name/file.txt"
#     text: "....
#   ....

יצירת תוכן באמצעות Agent Platform Gemini API

שולחים קריאה ל-Agent Platform API (GenerateContent) כדי להשתמש במודלים של Gemini ליצירת תוכן, ומציינים את RAG_CORPUS_RESOURCE בבקשה כדי לאחזר נתונים מהאינדקס של FeatureOnlineStore.

REST

# TODO(developer): Update and uncomment the following lines:
# MODEL_ID=gemini-2.5-flash
# GENERATE_CONTENT_PROMPT="your-generate-content-prompt"

# GenerateContent with contexts retrieved from the FeatureStoreOnline index
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json"  https://us-central1-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_ID}/locations/us-central1/publishers/google/models/${MODEL_ID}:generateContent \
-d '{
  "contents": {
    "role": "user",
    "parts": {
      "text": '\""${GENERATE_CONTENT_PROMPT}"\"'
    }
  },
  "tools": {
    "retrieval": {
      "vertex_rag_store": {
        "rag_resources": {
            "rag_corpus": '\""${RAG_CORPUS_RESOURCE}"\"',
          },
        "similarity_top_k": 8,
      }
    }
  }
}'

Python


from google import genai
from google.genai import types as genai_types

# TODO(developer): Update and un-comment below lines
# PROJECT_ID = "your-project-id"
# corpus_name = "projects/{PROJECT_ID}/locations/us-east5/ragCorpora/{rag_corpus_id}"

rag_retrieval_tool = genai_types.Tool(
    retrieval=genai_types.Retrieval(
        vertex_rag_store=genai_types.VertexRagStore(
            rag_resources=[
                genai_types.VertexRagStoreRagResource(
                    rag_corpus=corpus_name
                )
            ],
            rag_retrieval_config=genai_types.RagRetrievalConfig(
                top_k=10,
                filter=genai_types.RagRetrievalConfigFilter(
                    vector_distance_threshold=0.5
                ),
            ),
        ),
    )
)

# Create a GenAI SDK client to make a generate_content request
genai_client = genai.Client(vertexai=True, project=PROJECT_ID, location="global")

response = genai_client.models.generate_content(
    model="gemini-3.8-flash",
    contents="Why is the sky blue?",
    config=genai_types.GenerateContentConfig(
        tools=[rag_retrieval_tool]
    ),
)
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....
#   ...

המאמרים הבאים

שימוש במסד נתונים של Weaviate עם RAG Engine ב-Gemini Enterprise Agent Platform

שימוש ב-Vertex AI Feature Store ב-RAG Engine קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.

הגדרת Vertex AI Feature Store

יצירת סכימה של טבלה ב-BigQuery

SQL

הקצאת הרשאות ידנית למכונה של FeatureOnlineStore

REST

curl

PowerShell

Python

יצירת משאב FeatureView

REST

Python

העלאת נתונים ומילוי בקשות באופן מיידי

שימוש ב-Vertex AI Feature Store ב-RAG Engine

שימוש במכונה של Vertex AI Feature Store בתור מסד הנתונים הווקטורי ליצירת קורפוס RAG

REST

Python

ייבוא קבצים לטבלה ב-BigQuery באמצעות RAG API

REST

Python

הפעלת תהליך סנכרון כדי ליצור אינדקס של FeatureOnlineStore

REST

curl

PowerShell

אחזור הקשרים רלוונטיים באמצעות RAG API

REST

Python

יצירת תוכן באמצעות Agent Platform Gemini API

REST

Python

המאמרים הבאים

שימוש ב-Vertex AI Feature Store ב-RAG Engine

הקצאת הרשאות ידנית למכונה של `FeatureOnlineStore`

יצירת משאב `FeatureView`

הפעלת תהליך סנכרון כדי ליצור אינדקס של `FeatureOnlineStore`