בדף הזה מוסבר איך לחבר את מנוע ה-RAG לחיפוש וקטורי ב-Gemini Enterprise Agent Platform.
אפשר גם לעקוב אחרי השלבים באמצעות ה-notebook RAG Engine with Agent Platform חיפוש וקטורי.
הגדרת חיפוש וקטורי ב-Agent Platform
החיפוש הווקטורי ב-Agent Platform מבוסס על טכנולוגיית החיפוש הווקטורי שפותחה על ידי צוות המחקר של Google. בעזרת חיפוש וקטורי אתם יכולים להשתמש באותה תשתית שעליה מבוססים מוצרי Google כמו חיפוש Google, YouTube ו-Google Play.
כדי לשלב עם RAG Engine, נדרש אינדקס חיפוש וקטורי ריק.
הגדרת Vertex AI SDK
כדי להגדיר את Vertex AI SDK, קראו את המאמר הגדרה.
יצירת אינדקס חיפוש וקטורי
כדי ליצור אינדקס של חיפוש וקטורי שתואם לקורפוס RAG, אינדקס החיפוש צריך לעמוד בקריטריונים הבאים:
IndexUpdateMethodחייב להיותSTREAM_UPDATE, ראו יצירת אינדקס של מקור נתונים.צריך להגדיר במפורש את סוג מדידת המרחק לאחת מהאפשרויות הבאות:
DOT_PRODUCT_DISTANCECOSINE_DISTANCE
ממדי הווקטור צריכים להתאים למודל ההטמעה שבו אתם מתכננים להשתמש בקורפוס ה-RAG. אפשר לכוונן פרמטרים אחרים על סמך הבחירות שלכם, שקובעות אם אפשר לכוונן את הפרמטרים הנוספים.
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.
יצירת נקודת קצה של אינדקס חיפוש וקטורי
מנוע RAG תומך בנקודות קצה ציבוריות.
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.
פריסת אינדקס בנקודת קצה של אינדקס
לפני שמבצעים את החיפוש של השכן הקרוב ביותר, צריך לפרוס את האינדקס בנקודת קצה של אינדקס.
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.
אם זו הפעם הראשונה שאתם פורסים אינדקס בנקודת קצה של אינדקס, המערכת תבנה ותפעיל באופן אוטומטי את הקצה העורפי לפני שתוכלו לאחסן את האינדקס. התהליך הזה נמשך כ-30 דקות. אחרי הפריסה הראשונה, האינדקס מוכן תוך כמה שניות. כדי לראות את סטטוס פריסת האינדקס, פותחים את מסוף החיפוש הווקטורי, בוחרים בכרטיסייה Index endpoints ובוחרים את נקודת הקצה של האינדקס.
מזהים את שם המשאב של האינדקס ושל נקודת הקצה של האינדקס, בפורמטים הבאים:
projects/${PROJECT_NUMBER}/locations/${LOCATION_ID}/indexes/${INDEX_ID}projects/${PROJECT_NUMBER}/locations/${LOCATION_ID}/indexEndpoints/${INDEX_ENDPOINT_ID}.
איך משתמשים בחיפוש וקטורי של Agent Platform ב-RAG Engine
אחרי שמגדירים את המכונה של החיפוש הווקטורי, פועלים לפי השלבים בקטע הזה כדי להגדיר את המכונה של החיפוש הווקטורי כמסד הנתונים הווקטורי של אפליקציית ה-RAG.
הגדרת מסד הנתונים הווקטורי ליצירת קורפוס RAG
כשיוצרים את קורפוס ה-RAG, מציינים רק את INDEX_ENDPOINT_NAME ו-INDEX_NAME המלאים. חשוב להשתמש במזהה המספרי גם בשמות המשאבים של האינדקס וגם בשמות המשאבים של נקודת הקצה של האינדקס. הקורפוס של RAG נוצר ומשויך באופן אוטומטי לאינדקס החיפוש הווקטורי. האימותים מתבצעים לפי הקריטריונים. אם אחת מהדרישות לא מתקיימת, הבקשה נדחית.
Python
לפני שמנסים את הדוגמה הזו, צריך לפעול לפי הוראות ההגדרה של Python שמפורטות במאמר התחלה מהירה של Agent Platform באמצעות ספריות לקוח.
כדי לבצע אימות ב-Agent Platform, צריך להגדיר את Application Default Credentials. למידע נוסף, ראו הגדרת אימות לסביבת פיתוח מקומית.
REST
# TODO(developer): Update and un-comment the following lines:
# CORPUS_DISPLAY_NAME = "YOUR_CORPUS_DISPLAY_NAME"
# Full index/indexEndpoint resource name
# Index: projects/${PROJECT_NUMBER}/locations/${LOCATION_ID}/indexes/${INDEX_ID}
# IndexEndpoint: projects/${PROJECT_NUMBER}/locations/${LOCATION_ID}/indexEndpoints/${INDEX_ENDPOINT_ID}
# INDEX_RESOURCE_NAME = "YOUR_INDEX_ENDPOINT_RESOURCE_NAME"
# INDEX_NAME = "YOUR_INDEX_RESOURCE_NAME"
# Call CreateRagCorpus API to create a new RagCorpus
curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" -H "Content-Type: application/json" https://${LOCATION_ID}-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_NUMBER}/locations/${LOCATION_ID}/ragCorpora -d '{
"display_name" : '\""${CORPUS_DISPLAY_NAME}"\"',
"rag_vector_db_config" : {
"vertex_vector_search": {
"index":'\""${INDEX_NAME}"\"'
"index_endpoint":'\""${INDEX_ENDPOINT_NAME}"\"'
}
}
}'
# Call ListRagCorpora API to verify the RagCorpus is created successfully
curl -sS -X GET \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://${LOCATION_ID}-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_NUMBER}/locations/${LOCATION_ID}/ragCorpora"
ייבוא קבצים באמצעות RAG API
משתמשים ב-ragFiles.import API method כדי לייבא קבצים מ-Cloud Storage או מ-Google Drive לאינדקס החיפוש הווקטורי. הקבצים מוטמעים ומאוחסנים באינדקס החיפוש הווקטורי.
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_NUMBER}/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_NUMBER}/locations/us-central1/ragCorpora/${RAG_CORPUS_ID}/ragFiles
Python
במאמר התקנת Vertex AI SDK ל-Python מוסבר איך להתקין או לעדכן את Vertex AI SDK ל-Python. מידע נוסף מופיע ב מאמרי העזרה של ה-API מבוסס-Python.
אחזור הקשרים רלוונטיים באמצעות RAG API
אחרי שהקובץ מיובא, אפשר לאחזר את ההקשר הרלוונטי מאינדקס החיפוש הווקטורי באמצעות ה-API של RetrieveContexts.
REST
# TODO(developer): Update and uncomment the following lines:
# RETRIEVAL_QUERY="your-retrieval-query"
#
# Full RAG corpus resource name
# Format:
# "projects/${PROJECT_NUMBER}/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_NUMBER}/locations/us-central1:retrieveContexts \
-d '{
"vertex_rag_store": {
"rag_resources": {
"rag_corpus": '\""${RAG_CORPUS_RESOURCE}"\"',
},
},
"query": {
"text": '\""${RETRIEVAL_QUERY}"\"',
"similarity_top_k": 10
}
}'
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.
יצירת תוכן באמצעות Agent Platform Gemini API
כדי ליצור תוכן באמצעות מודלים של Gemini, צריך לשלוח קריאה ל-API של Agent Platform GenerateContent. כשמציינים את RAG_CORPUS_RESOURCE בבקשה, ה-API מאחזר באופן אוטומטי נתונים מאינדקס החיפוש הווקטורי.
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_NUMBER}/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,
"vector_distance_threshold": 0.32
}
}
}
}'
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.