Questa pagina spiega come puoi basare le risposte sui tuoi dati della ricerca dell'agente.
Grounding di Gemini sui tuoi dati
Se vuoi eseguire la Retrieval-Augmented Generation (RAG), collega il modello ai dati del tuo sito web o ai tuoi set di documenti, poi utilizza Grounding con Agent Search.
Il grounding sui tuoi dati supporta un massimo di 10 origini dati di ricerca dell'agente e può essere combinato con il grounding con la Ricerca Google.
Modelli supportati
Questa sezione elenca i modelli che supportano la fondatezza con i tuoi dati.
Prerequisiti
Prima di poter basare l'output del modello sui tuoi dati, procedi nel seguente modo:
Nella console Google Cloud , vai alla pagina IAM e cerca l'autorizzazione
discoveryengine.servingConfigs.search, necessaria per il funzionamento del servizio di grounding.Per ottenere le autorizzazioni necessarie per utilizzare la base con la ricerca dell'agente, chiedi all'amministratore di concederti i seguenti ruoli IAM:
Per leggere tutte le risorse Discovery Engine: Discovery Engine Viewer (
roles/discoveryengine.viewer).Per leggere e scrivere tutte le risorse Discovery Engine e creare un'istanza di Agent Search: Discovery Engine Editor (
roles/discoveryengine.editor).
Per saperne di più su IAM, consulta Ruoli e autorizzazioni IAM.
Abilita AI Applications e attiva l'API.
Crea un'origine dati AI Applications e un'applicazione.
Per saperne di più, consulta la Guida introduttiva alla ricerca di agenti.
Attivare AI Applications
Per utilizzare la ricerca dell'agente per basare le risposte, devi attivare il servizio di ricerca dell'agente seguendo questi passaggi:
Nella Google Cloud console, vai alla pagina AI Applications.
(Facoltativo) Esamina i termini per l'utilizzo dei dati.
AI Applications è disponibile nella località global o nelle
aree geografiche multiple eu e us. Per saperne di più, consulta Posizioni delle applicazioni AI.
Crea un datastore in AI Applications
Per creare un datastore in AI Applications, puoi scegliere di basarti su dati di siti web o documenti.
Sito web
Apri la pagina Crea datastore dalla console Google Cloud .
Nella casella Contenuto del sito web, fai clic su Seleziona.
Viene visualizzato il riquadro Specifica i siti web per il datastore.Se l'opzione Indicizzazione avanzata dei siti web non è selezionata, seleziona la casella di controllo Indicizzazione avanzata dei siti web per attivarla.
Viene visualizzato il riquadro Configura il datastore.Nella sezione Specifica i pattern URL da indicizzare, segui questi passaggi:
- Aggiungi gli URL per i siti da includere.
- (Facoltativo) Aggiungi URL per i siti da escludere.
Fai clic su Continua.
Nel riquadro Configura il datastore:
- Seleziona un valore dall'elenco Posizione del datastore.
- Inserisci un nome nel campo Nome del tuo datastore. L'ID viene generato. Utilizza questo ID quando generi le risposte basate sul tuo datastore. Per saperne di più, consulta Generare risposte basate con il datastore.
- Fai clic su Crea.
Documenti
Apri la pagina Crea datastore dalla console Google Cloud .
Nella casella Cloud Storage, fai clic su Seleziona.
Viene visualizzato il riquadro Importa dati da Cloud Storage.Nella sezione Documenti non strutturati (PDF, HTML, TXT e altro), seleziona Documenti non strutturati (PDF, HTML, TXT e altro).
Seleziona un'opzione per la Frequenza della sincronizzazione.
Seleziona un'opzione Seleziona una cartella o un file da importare e inserisci il percorso nel campo.
Fai clic su Continua.
Viene visualizzato il riquadro Configura il datastore.Nel riquadro Configura il datastore:
- Seleziona un valore dall'elenco Posizione del datastore.
- Inserisci un nome nel campo Nome del tuo datastore. L'ID viene generato.
- Per selezionare le opzioni di analisi e suddivisione in blocchi per i tuoi documenti, espandi la sezione Opzioni di elaborazione documenti. Per saperne di più sui diversi analizzatori, consulta Analizzare documenti.
- Fai clic su Crea.
Fai clic su Crea.
Generare risposte basate sul datastore
Segui le istruzioni riportate di seguito per basare un modello sui tuoi dati. È supportato un massimo di 10 datastore.
Se non conosci l'ID datastore, segui questi passaggi:
Nella console Google Cloud , vai alla pagina AI Applications e nel menu di navigazione, fai clic su Datastore.
Fai clic sul nome del tuo datastore.
Nella pagina Dati del datastore, recupera l'ID datastore.
Console
Per basare l'output del modello su AI Applications utilizzando Gemini Enterprise Agent Platform Studio nella consoleGoogle Cloud , segui questi passaggi:
- Nella console Google Cloud , vai alla pagina Gemini Enterprise Agent Platform Studio.
- Per attivare la messa a terra, segui questi passaggi:
- Fai clic su + Nuovo e Chat nel menu di navigazione.
- Espandi il riquadro Impostazioni modello e seleziona il modello.
- (Facoltativo) Se il pulsante di attivazione/disattivazione Output strutturato o Grounding: Google è attivo, disattiva l'opzione.
- Fai clic sul pulsante di attivazione/disattivazione Grounding: i tuoi dati. Viene visualizzato il riquadro Personalizza grounding.
- Seleziona un'opzione per l'origine di grounding dalla tabella seguente:
- Inserisci un valore nel campo Endpoint Elasticsearch.
- Inserisci un valore nel campo Chiave API Elasticsearch.
- Inserisci un valore nel campo Indice Elasticsearch.
- Inserisci un valore nel campo Template di ricerca Elasticsearch.
- Fai clic su Salva.
Opzione di grounding Descrizione Input Vertex AI RAG Engine Usa i tuoi dati e componenti fai da te per il grounding. Se non hai un corpus, devi crearne uno. Altrimenti, inserisci il tuo corpus. Ricerca agente Si basa sui tuoi dati con un motore di ricerca gestito da Google. Inserisci il percorso nel campo Percorso datastore Agent Platform Gemini Enterprise. Elasticsearch Esegue il grounding utilizzando Elasticsearch. Inserisci le seguenti informazioni:
- Inserisci il prompt nella casella di testo e fai clic su Invia. Le risposte ai prompt si basano sulle applicazioni di AI.
Python
Installa
pip install --upgrade google-genai
Per saperne di più, consulta la documentazione di riferimento dell'SDK.
Imposta le variabili di ambiente per utilizzare l'SDK Gen AI con Vertex AI:
# Replace the `GOOGLE_CLOUD_PROJECT` and `GOOGLE_CLOUD_LOCATION` values # with appropriate values for your project. export GOOGLE_CLOUD_PROJECT=GOOGLE_CLOUD_PROJECT export GOOGLE_CLOUD_LOCATION=global export GOOGLE_GENAI_USE_VERTEXAI=True
from google import genai
from google.genai.types import (
GenerateContentConfig,
VertexAISearch,
Retrieval,
Tool,
HttpOptions,
)
client = genai.Client(http_options=HttpOptions(api_version="v1"))
# Replace with your Agent Search data store details
DATASTORE_PATH = "projects/PROJECT_ID/locations/global/collections/default_collection/dataStores/DATASTORE_ID"
tool = Tool(
retrieval=Retrieval(
vertex_ai_search=VertexAISearch(
datastore=DATASTORE_PATH
)
)
)
response = client.models.generate_content(
model="gemini-2.5-flash", # Or another supported model
contents="What information can you find about topic X in the provided documents?", # Your query
config=GenerateContentConfig(
tools=[tool],
),
)
print(response.text)
REST
Per testare un prompt di testo utilizzando l'API Agent Platform, invia una richiesta POST all'endpoint del modello del publisher.
Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:
- LOCATION: la regione in cui elaborare la richiesta.
Per utilizzare l'endpoint
global, escludi la località dal nome dell'endpoint e configura la località della risorsa suglobal. - PROJECT_ID: Il tuo [ID progetto](/resource-manager/docs/creating-managing-projects#identifiers). .
- MODEL_ID: l'ID modello del modello multimodale.
- PROMPT: il prompt da inviare al modello.
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:generateContent
Corpo JSON della richiesta:
{
"contents": [{
"role": "user",
"parts": [{
"text": "PROMPT"
}]
}],
"tools": [{
"retrieval": {
"vertexAiSearch": {
"datastore": projects/PROJECT_ID/locations/global/collections/default_collection/dataStores/DATASTORE_ID
}
}
}],
"model": "projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID"
}
Per inviare la richiesta, espandi una di queste opzioni:
Dovresti ricevere una risposta JSON simile alla seguente:
{
"candidates": [
{
"content": {
"role": "model",
"parts": [
{
"text": "You can make an appointment on the website https://dmv.gov/"
}
]
},
"finishReason": "STOP",
"safetyRatings": [
"..."
],
"groundingMetadata": {
"retrievalQueries": [
"How to make appointment to renew driving license?"
],
"groundingChunks": [
{
"retrievedContext": {
"uri": "https://vertexaisearch.cloud.google.com/grounding-api-redirect/AXiHM.....QTN92V5ePQ==",
"title": "dmv"
}
}
],
"groundingSupport": [
{
"segment": {
"startIndex": 25,
"endIndex": 147
},
"segment_text": "ipsum lorem ...",
"supportChunkIndices": [1, 2],
"confidenceScore": [0.9541752, 0.97726375]
},
{
"segment": {
"startIndex": 294,
"endIndex": 439
},
"segment_text": "ipsum lorem ...",
"supportChunkIndices": [1],
"confidenceScore": [0.9541752, 0.9325467]
}
]
}
}
],
"usageMetadata": {
"..."
}
}
Comprendere la risposta
La risposta di entrambe le API include il testo generato dall'LLM, chiamato candidato. Se il prompt del modello si basa correttamente sull'origine dati, le risposte includono metadati di base, che identificano le parti della risposta derivate dai tuoi dati. Tuttavia, esistono diversi motivi per cui questi metadati potrebbero non essere forniti e la risposta del prompt non sarà basata su dati reali. Questi motivi includono una bassa pertinenza delle fonti o informazioni incomplete nella risposta del modello.
Di seguito è riportata una suddivisione dei dati di output:
- Ruolo: indica il mittente della risposta basata su dati reali. Poiché la risposta
contiene sempre testo basato su dati reali, il ruolo è sempre
model. - Testo: la risposta fondata generata dal LLM.
- Metadati di grounding: informazioni sull'origine del grounding, che contiene
i seguenti elementi:
- Chunk di base: un elenco di risultati dell'indice che supportano la risposta.
- Supporto della base: informazioni su un'affermazione specifica all'interno della risposta che possono essere utilizzate per mostrare le citazioni:
- Segmento: la parte della risposta del modello che è supportata da un chunk di grounding.
- Indice del blocco di grounding: l'indice dei blocchi di grounding nell'elenco dei blocchi di grounding che corrisponde a questa rivendicazione.
- Punteggi di confidenza: un numero compreso tra 0 e 1 che indica quanto l'affermazione sia basata sul set fornito di chunk di grounding. Non disponibile per Gemini 2.5 e versioni successive.
Passaggi successivi
- Per scoprire come inviare richieste di prompt della chat, consulta la sezione Chat in più turni.
- Per scoprire le best practice per l'AI responsabile e i filtri di sicurezza della piattaforma di agenti, consulta Best practice per la sicurezza.