Le moteur RAG Vertex AI est un composant de la plate-forme Vertex AI qui facilite la génération augmentée par récupération (RAG). Il permet aux grands modèles de langage (LLM) d'accéder à des données provenant de sources de connaissances externes, telles que des documents et des bases de données, et de les intégrer. En l'utilisant, les LLM génèrent des réponses plus précises et informatives.
Liste des paramètres
Cette section présente les éléments suivants :
| Paramètres | Exemples |
|---|---|
| Consultez Paramètres de gestion des corpus. | Consultez Exemples de gestion de corpus. |
| Consultez Paramètres de gestion des fichiers. | Consultez Exemples de gestion de fichiers. |
| Consultez Paramètres de gestion des projets. | Consultez Exemples de gestion de projet. |
Paramètres de gestion des corpus
Pour en savoir plus concernant un corpus RAG, consultez Gestion des corpus.
Créer un corpus RAG
Ce tableau présente les paramètres utilisés pour créer un corpus RAG.
Corps de la requête
| Paramètres | |
|---|---|
|
Facultatif : immuable.
Configuration permettant de spécifier le type de corpus. |
|
Obligatoire : Nom à afficher du corpus RAG. |
|
Facultatif : Description du corpus RAG. |
|
Facultatif : Le nom de la clé CMEK est utilisé pour chiffrer les données au repos liées au corpus RAG. Le nom de la clé ne s'applique qu'à l'option Format : |
|
Facultatif : Configuration des bases de données vectorielles. |
|
Facultatif : Configuration de Vertex AI Search. Format : |
CorpusTypeConfig
| Paramètres | |
|---|---|
|
La valeur par défaut de |
|
Si vous définissez ce type, le corpus RAG est un Pour en savoir plus, consultez Utiliser le moteur RAG de Vertex AI comme magasin de mémoire. |
|
Analyseur LLM utilisé pour analyser et stocker les contextes de session à partir de l'API Gemini Live. Vous pouvez créer des souvenirs à indexer. |
RagVectorDbConfig
| Paramètres | |
|---|---|
|
Si aucune base de données vectorielle n'est spécifiée, |
|
Par défaut. Trouve les voisins les plus proches exacts en comparant tous les points de données de votre corpus RAG. Si vous ne spécifiez pas de stratégie lors de la création de votre corpus RAG, la stratégie de récupération par défaut utilisée est KNN. |
|
Détermine le nombre de calques ou de niveaux dans l'arborescence. Si vous avezO(10K) fichiers RAG dans le corpus RAG, définissez cette valeur sur 2.
Détermine le nombre de nœuds feuilles dans la structure arborescente.
|
|
Spécifie votre instance Weaviate. |
|
Point de terminaison HTTP de l'instance Weaviate. Cette valeur ne peut pas être modifiée une fois qu'elle a été définie. Vous pouvez la laisser vide dans l'appel d'API |
|
Collection Weaviate correspondant au corpus RAG. Cette valeur ne peut pas être modifiée une fois qu'elle a été définie. Vous pouvez la laisser vide dans l'appel d'API |
|
Spécifie votre instance Pinecone. |
|
Nom servant à créer l'index Pinecone utilisé avec le corpus RAG. Cette valeur ne peut pas être modifiée une fois qu'elle a été définie. Vous pouvez la laisser vide dans l'appel d'API |
|
Spécifie votre instance Vertex AI Feature Store. |
|
Format : Cette valeur ne peut pas être modifiée une fois qu'elle a été définie. Vous pouvez la laisser vide dans l'appel d'API |
|
Spécifie votre instance Vertex Vector Search. |
|
Nom de la ressource de l'index Vector Search utilisé avec le corpus RAG. Format : Cette valeur ne peut pas être modifiée une fois qu'elle a été définie. Vous pouvez la laisser vide dans l'appel d'API |
|
Nom de la ressource du point de terminaison de l'index Vector Search utilisé avec le corpus RAG. Format : Cette valeur ne peut pas être modifiée une fois qu'elle a été définie. Vous pouvez la laisser vide dans l'appel d'API |
|
Nom complet de la ressource du secret stocké dans Secret Manager, qui contient votre clé API Weaviate ou Pinecone, selon la base de données vectorielle de votre choix. Format : Vous pouvez la laisser vide dans l'appel d'API |
|
Facultatif : Modèle d'embedding à utiliser pour le corpus RAG. Cette valeur ne peut pas être modifiée une fois qu'elle a été définie. Si vous la laissez vide, text-embedding-005 sera utilisé comme modèle d'embedding. |
Mettre à jour un corpus RAG
Ce tableau présente les paramètres utilisés pour mettre à jour un corpus RAG.
Corps de la requête
| Paramètres | |
|---|---|
|
Facultatif : Nom à afficher du corpus RAG. |
|
Facultatif : Description du corpus RAG. |
|
Point de terminaison HTTP de l'instance Weaviate. Si votre |
|
Collection Weaviate correspondant au corpus RAG. Si votre |
|
Nom servant à créer l'index Pinecone utilisé avec le corpus RAG. Si votre |
|
Format : Si votre |
|
Nom de la ressource de l'index Vector Search utilisé avec le corpus RAG. Format : Si votre |
|
Nom de la ressource du point de terminaison de l'index Vector Search utilisé avec le corpus RAG. Format : Si votre |
|
Nom complet de la ressource du secret stocké dans Secret Manager, qui contient votre clé API Weaviate ou Pinecone, selon la base de données vectorielle de votre choix. Format : |
Lister des corpus Rag
Ce tableau présente les paramètres utilisés pour lister des corpus RAG.
| Paramètres | |
|---|---|
|
Facultatif : Taille de la page de la liste standard. |
|
Facultatif : Jeton de la page de la liste standard. Généralement obtenu à partir de |
Obtenir un corpus RAG
Ce tableau présente les paramètres utilisés pour obtenir un corpus RAG.
| Paramètres | |
|---|---|
|
Nom de la ressource |
Supprimer un corpus RAG
Ce tableau présente les paramètres utilisés pour supprimer un corpus RAG.
| Paramètres | |
|---|---|
|
Nom de la ressource |
Paramètres de gestion des fichiers
Pour en savoir plus sur les fichiers RAG, consultez Gestion des fichiers.
Importer un fichier RAG
Ce tableau présente les paramètres utilisés pour importer un fichier RAG.
Corps de la requête
| Paramètres | |
|---|---|
|
Nom de la ressource |
|
Obligatoire : Fichier à importer. |
|
Obligatoire : Configuration du |
RagFile |
|
|---|---|
|
Obligatoire : Nom à afficher du fichier RAG. |
|
Facultatif : Description du fichier RAG. |
UploadRagFileConfig |
|
|---|---|
|
Nombre de jetons de chaque fragment. |
|
Chevauchement entre les fragments. |
Importer des fichiers RAG
Ce tableau présente les paramètres utilisés pour importer un fichier RAG.
| Paramètres | |
|---|---|
|
Obligatoire : Nom de la ressource Format : |
|
Emplacement Cloud Storage. Prend en charge l'importation de fichiers individuels et de répertoires Cloud Storage entiers. |
|
URI Cloud Storage contenant le fichier d'importation. |
|
Emplacement Google Drive. Prend en charge l'importation de fichiers individuels et de dossiers Google Drive. |
|
Canal Slack sur lequel le fichier est importé. |
|
Requête Jira dans laquelle le fichier est importé. |
|
Sources SharePoint vers lesquelles le fichier est importé. |
|
Nombre de jetons de chaque fragment. |
|
Chevauchement entre les fragments. |
|
Facultatif : Spécifie la configuration d'analyse pour Si ce champ n'est pas défini, le moteur RAG utilise l'analyseur par défaut. |
|
Facultatif : Nombre maximal de requêtes par minute que ce job est autorisé à envoyer au modèle d'embedding spécifié sur le corpus. Cette valeur est spécifique à ce job et n'est pas partagée avec d'autres jobs d'importation. Consultez la page "Quotas" du projet pour définir une valeur appropriée. Si aucune valeur n'est spécifiée, la valeur par défaut de 1 000 RPM est utilisée. |
GoogleDriveSource |
|
|---|---|
|
Obligatoire : ID de la ressource Google Drive. |
|
Obligatoire : Type de la ressource Google Drive. |
SlackSource |
|
|---|---|
|
Répété : Informations sur le canal Slack, y compris l'ID et la période à importer. |
|
Obligatoire : ID du canal Slack. |
|
Facultatif : Code temporel de début des messages à importer. |
|
Facultatif : Code temporel de fin des messages à importer. |
|
Obligatoire : Nom complet de la ressource du secret stocké dans Secret Manager, qui contient un jeton d'accès au canal Slack ayant accès aux ID de canal Slack.
Format : |
JiraSource |
|
|---|---|
|
Répété : Liste des projets Jira à importer dans leur intégralité. |
|
Répété : Liste des requêtes Jira personnalisées à importer. Pour en savoir plus sur le langage JQL (Jira Query Language), consultez |
|
Obligatoire : Adresse e-mail Jira. |
|
Obligatoire : URI du serveur Jira. |
|
Obligatoire : Nom complet de la ressource du secret stocké dans Secret Manager, qui contient la clé API Jira ayant accès aux ID de canal Slack.
Format : |
SharePointSources |
|
|---|---|
|
Chemin d'accès au dossier SharePoint à partir duquel effectuer le téléchargement. |
|
ID du dossier SharePoint à partir duquel effectuer le téléchargement. |
|
Nom du Drive à partir duquel effectuer le téléchargement. |
|
ID du Drive à partir duquel effectuer le téléchargement. |
|
ID de l'application enregistrée sur le portail Microsoft Azure.
|
|
Obligatoire : Nom complet de la ressource du secret stocké dans Secret Manager, qui contient le secret de l'application enregistrée dans Azure. Format : |
|
Identifiant unique de l'instance Azure Active Directory. |
|
Nom du site SharePoint à partir duquel effectuer le téléchargement. Il peut s'agir du nom ou de l'ID du site. |
RagFileParsingConfig |
|
|---|---|
|
Analyseur de mise en page à utiliser pour les |
|
Nom complet de la ressource d'un processeur Document AI ou d'une version de processeur. Format : |
|
Nombre maximal de requêtes que le job est autorisé à envoyer au processeur Document AI par minute. Consultez la page https://cloud.google.com/document-ai/quotas et la page "Quota" de votre projet pour définir une valeur appropriée ici. Si aucune valeur n'est spécifiée, la valeur par défaut de 120 RPM est utilisée. |
|
Analyseur LLM à utiliser pour les |
|
Nom de ressource d'un modèle LLM. Format :
|
|
Nombre maximal de requêtes que le job est autorisé à envoyer au modèle LLM par minute. Pour définir une valeur appropriée pour votre projet, consultez la section Quota de modèle et la page "Quota" de votre projet. Si aucune valeur n'est spécifiée, la valeur par défaut de 5 000 RPM est utilisée. |
Obtenir un fichier RAG
Ce tableau présente les paramètres utilisés pour obtenir un fichier RAG.
| Paramètres | |
|---|---|
|
Nom de la ressource |
Supprimer un fichier RAG
Ce tableau présente les paramètres utilisés pour supprimer un fichier RAG.
| Paramètres | |
|---|---|
|
Nom de la ressource |
Paramètres de récupération et de prédiction
Cette section présente les paramètres de récupération et de prédiction.
Paramètres de récupération
Ce tableau présente les paramètres de l'API retrieveContexts.
| Paramètres | |
|---|---|
|
Obligatoire : Nom de ressource de l'emplacement de récupération des Format : |
|
Source de données pour Vertex RagStore. |
|
Obligatoire : Requête de récupération RAG unique. |
VertexRagStore
VertexRagStore |
|
|---|---|
|
Liste : Représentation de la source RAG. Peut être utilisé pour spécifier le corpus uniquement ou des |
|
Facultatif : Nom de la ressource Format : |
|
Liste : Liste des ressources Format : |
RagQuery |
|
|---|---|
|
Requête textuelle permettant d'obtenir des contextes pertinents. |
|
Facultatif : Configuration de récupération de la requête. |
RagRetrievalConfig |
|
|---|---|
|
Facultatif : Nombre de contextes à récupérer. |
|
Facultatif : La valeur alpha contrôle la pondération entre les résultats de recherche vectorielle dense et creuse. La plage est comprise entre 0 et 1, où 0 signifie "recherche vectorielle creuse uniquement" et 1 signifie "recherche vectorielle dense uniquement". La valeur par défaut est 0,5, ce qui équilibre les recherches vectorielles creuses et denses. La recherche hybride n'est disponible que pour Weaviate. |
|
Ne renvoie que les contextes pour lesquels la distance vectorielle est inférieure au seuil. |
|
Ne renvoie que les contextes pour lesquels la similarité vectorielle est supérieure au seuil. |
|
Facultatif : Nom du modèle du service de classement. Exemple : |
|
Facultatif : Nom du modèle utilisé pour le classement. Exemple : |
Paramètres de prédiction
Ce tableau présente les paramètres de prédiction.
GenerateContentRequest |
|
|---|---|
|
Paramètre défini pour utiliser une source de données alimentée par le magasin RAG Vertex AI. |
Pour en savoir plus, consultez VertexRagStore.
Paramètres de gestion de projet
Ce tableau présente les paramètres au niveau du projet.
RagEngineConfig
| Paramètres | |
|---|---|
RagManagedDbConfig.scaled |
Ce niveau offre des performances à l'échelle de la production ainsi qu'une fonctionnalité d'autoscaling. |
RagManagedDbConfig.basic |
Ce niveau offre un niveau de calcul économique et faible. |
RagManagedDbConfig.unprovisioned |
Ce niveau supprime RagManagedDb et son instance Spanner sous-jacente. |
Exemples de gestion de corpus
Cette section fournit des exemples d'utilisation de l'API pour gérer votre corpus RAG.
Exemple de création d'un corpus RAG
Cet exemple de code montre comment créer un corpus RAG.
REST
Avant d'utiliser les données de requête, effectuez les remplacements suivants :
- PROJECT_ID : ID de votre projet.
- LOCATION : région dans laquelle traiter la requête.
- CORPUS_DISPLAY_NAME : nom à afficher de
RagCorpus. - CORPUS_DESCRIPTION : description du
RagCorpus.
Méthode HTTP et URL :
POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora
Corps JSON de la requête :
{
"display_name" : "CORPUS_DISPLAY_NAME",
"description": "CORPUS_DESCRIPTION",
}
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora"
PowerShell
Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :
$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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora" | Select-Object -Expand Content
L'exemple suivant montre comment créer un corpus RAG à l'aide de l'API REST.
PROJECT_ID: Your project ID.
LOCATION: The region to process the request.
CORPUS_DISPLAY_NAME: The display name of the <code>RagCorpus</code>.
// CreateRagCorpus
// Input: LOCATION, PROJECT_ID, CORPUS_DISPLAY_NAME
// Output: CreateRagCorpusOperationMetadata
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora \
-d '{
"display_name" : "CORPUS_DISPLAY_NAME"
}'
Exemple de mise à jour d'un corpus RAG
Vous pouvez modifier le nom à afficher, la description et la configuration de base de données vectorielle de votre corpus RAG. Toutefois, vous ne pouvez pas modifier les paramètres suivants dans votre corpus RAG :
- Type de base de données vectorielle. Par exemple, vous ne pouvez pas remplacer la base de données vectorielle Weaviate par Vertex AI Feature Store.
- Si vous utilisez l'option de base de données gérée, vous ne pouvez pas mettre à jour la configuration de la base de données vectorielle.
Ces exemples montrent comment mettre à jour un corpus RAG.
REST
Avant d'utiliser les données de requête, effectuez les remplacements suivants :
- PROJECT_ID : ID de votre projet.
- LOCATION : région dans laquelle traiter la requête.
- CORPUS_ID : ID de votre corpus RAG.
- CORPUS_DISPLAY_NAME : nom à afficher de
RagCorpus. - CORPUS_DESCRIPTION : description du
RagCorpus. - INDEX_NAME : nom de ressource de
Vector Search Index. Format :projects/{project}/locations/{location}/indexes/{index} - INDEX_ENDPOINT_NAME : nom de ressource de
Vector Search Index Endpoint. Format :projects/{project}/locations/{location}/indexEndpoints/{index_endpoint}
Méthode HTTP et URL :
PATCH https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/CORPUS_ID
Corps JSON de la requête :
{
"display_name" : "CORPUS_DISPLAY_NAME",
"description": "CORPUS_DESCRIPTION",
"rag_vector_db_config": {
"vertex_vector_search": {
"index": "INDEX_NAME",
"index_endpoint": "INDEX_ENDPOINT_NAME",
}
}
}
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :
curl -X PATCH \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/CORPUS_ID"
PowerShell
Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method PATCH `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/CORPUS_ID" | Select-Object -Expand Content
Exemple de listage de corpus RAG
Cet exemple de code montre comment lister tous les corpus RAG.
REST
Avant d'utiliser les données de requête, effectuez les remplacements suivants :
- PROJECT_ID : ID de votre projet.
- LOCATION : région dans laquelle traiter la requête.
- PAGE_SIZE : taille de page de la liste standard. Vous pouvez ajuster le nombre de
RagCorporaà renvoyer par page en modifiant le paramètrepage_size. - PAGE_TOKEN : jeton de page de la liste standard. Généralement obtenu à l'aide de
ListRagCorporaResponse.next_page_tokende l'appelVertexRagDataService.ListRagCorporaprécédent.
Méthode HTTP et URL :
GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora?page_size=PAGE_SIZE&page_token=PAGE_TOKEN
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Exécutez la commande suivante :
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora?page_size=PAGE_SIZE&page_token=PAGE_TOKEN"
PowerShell
Exécutez la commande suivante :
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora?page_size=PAGE_SIZE&page_token=PAGE_TOKEN" | Select-Object -Expand Content
RagCorpora sous le PROJECT_ID donné.
Exemple d'obtention d'un corpus RAG
REST
Avant d'utiliser les données de requête, effectuez les remplacements suivants :
- PROJECT_ID : ID de votre projet.
- LOCATION : région dans laquelle traiter la requête.
- RAG_CORPUS_ID : ID de la ressource
RagCorpus.
Méthode HTTP et URL :
GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Exécutez la commande suivante :
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID"
PowerShell
Exécutez la commande suivante :
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID" | Select-Object -Expand Content
RagCorpus.
Les commandes get et list sont utilisées dans cet exemple pour montrer comment RagCorpus utilise le champ rag_embedding_model_config dans vector_db_config, qui pointe vers le modèle d'embedding que vous avez choisi.
PROJECT_ID: Your project ID.
LOCATION: The region to process the request.
RAG_CORPUS_ID: The corpus ID of your RAG corpus.
// GetRagCorpus
// Input: LOCATION, PROJECT_ID, RAG_CORPUS_ID
// Output: RagCorpus
curl -X GET \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID
// ListRagCorpora
curl -sS -X GET \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/
Exemple de suppression d'un corpus RAG
REST
Avant d'utiliser les données de requête, effectuez les remplacements suivants :
- PROJECT_ID : ID de votre projet.
- LOCATION : région dans laquelle traiter la requête.
- RAG_CORPUS_ID : ID de la ressource
RagCorpus.
Méthode HTTP et URL :
DELETE https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Exécutez la commande suivante :
curl -X DELETE \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID"
PowerShell
Exécutez la commande suivante :
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method DELETE `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID" | Select-Object -Expand Content
DeleteOperationMetadata.
Exemples de gestion de fichiers
Cette section fournit des exemples d'utilisation de l'API pour gérer des fichiers RAG.
Exemple d'importation d'un fichier RAG
REST
Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants : PROJECT_ID: Your project ID.
LOCATION: The region to process the request.
RAG_CORPUS_ID: The corpus ID of your RAG corpus.
LOCAL_FILE_PATH: The local path to the file to be uploaded.
DISPLAY_NAME: The display name of the RAG file.
DESCRIPTION: The description of the RAG file.
Pour envoyer votre requête, utilisez la commande suivante :
curl -X POST \
-H "X-Goog-Upload-Protocol: multipart" \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-F metadata="{'rag_file': {'display_name':' DISPLAY_NAME', 'description':'DESCRIPTION'}}" \
-F file=@LOCAL_FILE_PATH \
"https://LOCATION-aiplatform.googleapis.com/upload/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:upload"
Exemple d'importation de fichiers RAG
Vous pouvez importer des fichiers et des dossiers depuis Drive ou Cloud Storage.
response.skipped_rag_files_count fait référence au nombre de fichiers ignorés lors de l'importation. Un fichier est ignoré lorsque les conditions suivantes sont remplies :
- Le fichier a déjà été importé.
- Le fichier n'a pas changé.
- La configuration de fragmentation du fichier n'a pas changé.
REST
Avant d'utiliser les données de requête, effectuez les remplacements suivants :
- PROJECT_ID : ID de votre projet.
- LOCATION : région dans laquelle traiter la requête.
- RAG_CORPUS_ID : ID de la ressource
RagCorpus. - GCS_URIS : liste d'emplacements Cloud Storage. Exemple :
gs://my-bucket1, gs://my-bucket2. - CHUNK_SIZE(facultatif) : nombre de jetons que chaque fragment doit avoir.
- CHUNK_OVERLAP (facultatif) : nombre de chevauchements de jetons entre les fragments.
Méthode HTTP et URL :
POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import
Corps JSON de la requête :
{
"import_rag_files_config": {
"gcs_source": {
"uris": "GCS_URIS"
},
"rag_file_chunking_config": {
"chunk_size": CHUNK_SIZE,
"chunk_overlap": CHUNK_OVERLAP
}
}
}
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import"
PowerShell
Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :
$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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import" | Select-Object -Expand Content
ImportRagFilesOperationMetadata.
L'exemple suivant montre comment importer un fichier depuis Cloud Storage. Utilisez le champ de contrôle max_embedding_requests_per_min pour limiter la fréquence à laquelle le moteur RAG appelle le modèle d'embedding au cours du processus d'indexation ImportRagFiles. La valeur par défaut du champ est de 1000 appels par minute.
PROJECT_ID: Your project ID.
LOCATION: The region to process the request.
RAG_CORPUS_ID: The corpus ID of your RAG corpus.
GCS_URIS: A list of Cloud Storage locations. Example: gs://my-bucket1.
CHUNK_SIZE: Number of tokens each chunk should have.
CHUNK_OVERLAP: Number of tokens overlap between chunks.
EMBEDDING_MODEL_QPM_RATE: The QPM rate to limit RAGs access to your embedding model. Example: 1000.
// ImportRagFiles
// Import a single Cloud Storage file or all files in a Cloud Storage bucket.
// Input: LOCATION, PROJECT_ID, RAG_CORPUS_ID, GCS_URIS
// Output: ImportRagFilesOperationMetadataNumber
// Use ListRagFiles to find the server-generated rag_file_id.
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import \
-d '{
"import_rag_files_config": {
"gcs_source": {
"uris": "GCS_URIS"
},
"rag_file_chunking_config": {
"chunk_size": CHUNK_SIZE,
"chunk_overlap": CHUNK_OVERLAP
},
"max_embedding_requests_per_min": EMBEDDING_MODEL_QPM_RATE
}
}'
// Poll the operation status.
// The response contains the number of files imported.
OPERATION_ID: The operation ID you get from the response of the previous command.
poll_op_wait OPERATION_ID
L'exemple suivant montre comment importer un fichier depuis Drive. Utilisez le champ de contrôle max_embedding_requests_per_min pour limiter la fréquence à laquelle le moteur RAG appelle le modèle d'embedding au cours du processus d'indexation ImportRagFiles. La valeur par défaut du champ est de 1000 appels par minute.
PROJECT_ID: Your project ID.
LOCATION: The region to process the request.
RAG_CORPUS_ID: The corpus ID of your RAG corpus.
FOLDER_RESOURCE_ID: The resource ID of your Google Drive folder.
CHUNK_SIZE: Number of tokens each chunk should have.
CHUNK_OVERLAP: Number of tokens overlap between chunks.
EMBEDDING_MODEL_QPM_RATE: The QPM rate to limit RAGs access to your embedding model. Example: 1000.
// ImportRagFiles
// Import all files in a Google Drive folder.
// Input: LOCATION, PROJECT_ID, RAG_CORPUS_ID, FOLDER_RESOURCE_ID
// Output: ImportRagFilesOperationMetadataNumber
// Use ListRagFiles to find the server-generated rag_file_id.
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import \
-d '{
"import_rag_files_config": {
"google_drive_source": {
"resource_ids": {
"resource_id": "FOLDER_RESOURCE_ID",
"resource_type": "RESOURCE_TYPE_FOLDER"
}
},
"max_embedding_requests_per_min": EMBEDDING_MODEL_QPM_RATE
}
}'
// Poll the operation status.
// The response contains the number of files imported.
OPERATION_ID: The operation ID you get from the response of the previous command.
poll_op_wait OPERATION_ID
Exemple de listage de fichiers RAG
Cet exemple de code montre comment lister des fichiers RAG.
REST
Avant d'utiliser les données de requête, effectuez les remplacements suivants :
- PROJECT_ID : ID de votre projet.
- LOCATION : région dans laquelle traiter la requête.
- RAG_CORPUS_ID : ID de la ressource
RagCorpus. - PAGE_SIZE : taille de page de la liste standard. Vous pouvez ajuster le nombre de
RagFilesà renvoyer par page en modifiant le paramètrepage_size. - PAGE_TOKEN : jeton de page de la liste standard. Généralement obtenu à l'aide de
ListRagFilesResponse.next_page_tokende l'appelVertexRagDataService.ListRagFilesprécédent.
Méthode HTTP et URL :
GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles?page_size=PAGE_SIZE&page_token=PAGE_TOKEN
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Exécutez la commande suivante :
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles?page_size=PAGE_SIZE&page_token=PAGE_TOKEN"
PowerShell
Exécutez la commande suivante :
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles?page_size=PAGE_SIZE&page_token=PAGE_TOKEN" | Select-Object -Expand Content
RagFiles sous le RAG_CORPUS_ID donné.
Exemple d'obtention d'un fichier RAG
Cet exemple de code montre comment obtenir un fichier RAG.
REST
Avant d'utiliser les données de requête, effectuez les remplacements suivants :
- PROJECT_ID : ID de votre projet.
- LOCATION : région dans laquelle traiter la requête.
- RAG_CORPUS_ID : ID de la ressource
RagCorpus. - RAG_FILE_ID : ID de la ressource
RagFile.
Méthode HTTP et URL :
GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Exécutez la commande suivante :
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID"
PowerShell
Exécutez la commande suivante :
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID" | Select-Object -Expand Content
RagFile.
Exemple de suppression d'un fichier RAG
Cet exemple de code montre comment supprimer un fichier RAG.
REST
Avant d'utiliser les données de requête, effectuez les remplacements suivants :
- PROJECT_ID : ID de votre projet.
- LOCATION : région dans laquelle traiter la requête.
- RAG_CORPUS_ID : ID de la ressource
RagCorpus. - RAG_FILE_ID : ID de la ressource
RagFile. Format :projects/{project}/locations/{location}/ragCorpora/{rag_corpus}/ragFiles/{rag_file_id}.
Méthode HTTP et URL :
DELETE https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Exécutez la commande suivante :
curl -X DELETE \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID"
PowerShell
Exécutez la commande suivante :
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method DELETE `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID" | Select-Object -Expand Content
DeleteOperationMetadata.
Exemple de requête de récupération
Lorsqu'un utilisateur pose une question ou fournit une requête, le composant de récupération de RAG effectue une recherche dans sa base de connaissances afin de trouver des informations pertinentes pour la requête.
REST
Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :
- LOCATION : région dans laquelle traiter la requête.
- PROJECT_ID : ID de votre projet.
- RAG_CORPUS_RESOURCE : nom de la ressource
RagCorpus. Format :projects/{project}/locations/{location}/ragCorpora/{rag_corpus}. - VECTOR_DISTANCE_THRESHOLD : seuls les contextes dont la distance vectorielle est inférieure au seuil sont renvoyés.
- TEXT : texte de requête permettant d'obtenir des contextes pertinents.
- SIMILARITY_TOP_K : nombre de contextes principaux à récupérer.
Méthode HTTP et URL :
POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts
Corps JSON de la requête :
{
"vertex_rag_store": {
"rag_resources": {
"rag_corpus": "RAG_CORPUS_RESOURCE"
},
"vector_distance_threshold": VECTOR_DISTANCE_THRESHOLD
},
"query": {
"text": "TEXT",
"similarity_top_k": SIMILARITY_TOP_K
}
}
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts"
PowerShell
Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :
$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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts" | Select-Object -Expand Content
RagFiles associés.
Exemple de génération
Le LLM génère une réponse ancrée à l'aide des contextes récupérés.
REST
Avant d'utiliser les données de requête, effectuez les remplacements suivants :
- PROJECT_ID : ID de votre projet.
- LOCATION : région dans laquelle traiter la requête.
- MODEL_ID : modèle LLM pour la génération de contenu. Par exemple :
gemini-2.5-flash - GENERATION_METHOD : méthode LLM pour la génération de contenu. Options :
generateContent,streamGenerateContent - INPUT_PROMPT : texte envoyé au LLM pour la génération de contenu. Essayez d'utiliser un prompt pertinent pour les fichiers rag importés.
- RAG_CORPUS_RESOURCE : nom de la ressource
RagCorpus. Format :projects/{project}/locations/{location}/ragCorpora/{rag_corpus}. - SIMILARITY_TOP_K (facultatif) : nombre de contextes principaux à récupérer.
- VECTOR_DISTANCE_THRESHOLD (facultatif) : seuls les contextes dont la distance vectorielle est inférieure au seuil sont renvoyés.
Méthode HTTP et URL :
POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD
Corps JSON de la requête :
{
"contents": {
"role": "user",
"parts": {
"text": "INPUT_PROMPT"
}
},
"tools": {
"retrieval": {
"disable_attribution": false,
"vertex_rag_store": {
"rag_resources": {
"rag_corpus": "RAG_CORPUS_RESOURCE"
},
"similarity_top_k": SIMILARITY_TOP_K,
"vector_distance_threshold": VECTOR_DISTANCE_THRESHOLD
}
}
}
}
Pour envoyer votre requête, choisissez l'une des options suivantes :
curl
Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD"
PowerShell
Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :
$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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD" | Select-Object -Expand Content
Exemples de gestion de projets
Il s'agit d'un paramètre au niveau du projet disponible sous la ressource RagEngineConfig. Il a un impact sur les corpus RAG utilisant RagManagedDb. Pour obtenir la configuration du niveau, utilisez GetRagEngineConfig. Pour mettre à jour la configuration du niveau, utilisez UpdateRagEngineConfig.
Pour en savoir plus sur la gestion de la configuration de votre niveau, consultez Gérer votre niveau.
Obtenir la configuration du projet
L'exemple de code suivant montre comment lire votre RagEngineConfig :
Console
- Dans la console Google Cloud , accédez à la page RAG Engine.
- Sélectionnez la région dans laquelle votre moteur RAG est en cours d'exécution. Votre liste de corpus RAG est mise à jour.
- Cliquez sur Configurer le moteur RAG. Le volet Configurer le moteur RAG s'affiche. Vous pouvez voir le niveau sélectionné pour votre moteur RAG.
- Cliquez sur Annuler.
Python
from vertexai import rag
import vertexai
PROJECT_ID = YOUR_PROJECT_ID
LOCATION = YOUR_RAG_ENGINE_LOCATION
# Initialize Vertex AI API once per session
vertexai.init(project=PROJECT_ID, location=LOCATION)
rag_engine_config = rag.rag_data.get_rag_engine_config(
name=f"projects/{PROJECT_ID}/locations/{LOCATION}/ragEngineConfig"
)
print(rag_engine_config)
REST
curl -X GET \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
https://${LOCATION}-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_ID}/locations/${LOCATION}/ragEngineConfig
Mettre à jour la configuration du projet
Cette section fournit des exemples de code pour montrer comment modifier votre niveau dans la configuration.
Passer à l'édition Scaled de RagEngineConfig
Les exemples de code suivants montrent comment définir RagEngineConfig sur le niveau "Avec scaling" :
Console
- Dans la console Google Cloud , accédez à la page RAG Engine.
- Sélectionnez la région dans laquelle votre moteur RAG est en cours d'exécution. Votre liste de corpus RAG est mise à jour.
- Cliquez sur Configurer le moteur RAG. Le volet Configurer le moteur RAG s'affiche.
- Sélectionnez le niveau sur lequel vous souhaitez exécuter votre moteur RAG.
- Cliquez sur Enregistrer.
Python
from vertexai import rag
import vertexai
PROJECT_ID = YOUR_PROJECT_ID
LOCATION = YOUR_RAG_ENGINE_LOCATION
# Initialize Vertex AI API once per session
vertexai.init(project=PROJECT_ID, location=LOCATION)
rag_engine_config_name=f"projects/{PROJECT_ID}/locations/{LOCATION}/ragEngineConfig"
new_rag_engine_config = rag.RagEngineConfig(
name=rag_engine_config_name,
rag_managed_db_config=rag.RagManagedDbConfig(tier=rag.Scaled()),
)
updated_rag_engine_config = rag.rag_data.update_rag_engine_config(
rag_engine_config=new_rag_engine_config
)
print(updated_rag_engine_config)
REST
curl -X PATCH \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
https://${LOCATION}-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_ID}/locations/${LOCATION}/ragEngineConfig -d "{'ragManagedDbConfig': {'scaled': {}}}"
Passer à l'édition Basic de RagEngineConfig
Les exemples de code suivants montrent comment définir RagEngineConfig sur le niveau de base :
Si vous disposez d'une grande quantité de données dans votre RagManagedDb pour vos corpus RAG, le passage à un forfait de base peut échouer en raison d'une capacité de calcul et de stockage insuffisante.
Console
- Dans la console Google Cloud , accédez à la page RAG Engine.
- Sélectionnez la région dans laquelle votre moteur RAG est en cours d'exécution. Votre liste de corpus RAG est mise à jour.
- Cliquez sur Configurer le moteur RAG. Le volet Configurer le moteur RAG s'affiche.
- Sélectionnez le niveau sur lequel vous souhaitez exécuter votre moteur RAG.
- Cliquez sur Enregistrer.
Python
from vertexai import rag
import vertexai
PROJECT_ID = YOUR_PROJECT_ID
LOCATION = YOUR_RAG_ENGINE_LOCATION
# Initialize Vertex AI API once per session
vertexai.init(project=PROJECT_ID, location=LOCATION)
rag_engine_config_name=f"projects/{PROJECT_ID}/locations/{LOCATION}/ragEngineConfig"
new_rag_engine_config = rag.RagEngineConfig(
name=rag_engine_config_name,
rag_managed_db_config=rag.RagManagedDbConfig(tier=rag.Basic()),
)
updated_rag_engine_config = rag.rag_data.update_rag_engine_config(
rag_engine_config=new_rag_engine_config
)
print(updated_rag_engine_config)
REST
curl -X PATCH \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
https://${LOCATION}-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_ID}/locations/${LOCATION}/ragEngineConfig -d "{'ragManagedDbConfig': {'basic': {}}}"
Passer votre RagEngineConfig au niveau "Non provisionné"
Les exemples de code suivants montrent comment définir RagEngineConfig sur le niveau "Non provisionné" :
Console
- Dans la console Google Cloud , accédez à la page RAG Engine.
- Sélectionnez la région dans laquelle votre moteur RAG est en cours d'exécution. Votre liste de corpus RAG est mise à jour.
- Cliquez sur Configurer le moteur RAG. Le volet Configurer le moteur RAG s'affiche.
- Cliquez sur Supprimer le moteur RAG. Une boîte de dialogue de confirmation s'affiche.
- Vérifiez que vous êtes sur le point de supprimer vos données dans RAG Engine en saisissant delete, puis cliquez sur Confirmer.
- Cliquez sur Enregistrer.
Python
from vertexai import rag
import vertexai
PROJECT_ID = YOUR_PROJECT_ID
LOCATION = YOUR_RAG_ENGINE_LOCATION
# Initialize Vertex AI API once per session
vertexai.init(project=PROJECT_ID, location=LOCATION)
rag_engine_config_name=f"projects/{PROJECT_ID}/locations/{LOCATION}/ragEngineConfig"
new_rag_engine_config = rag.RagEngineConfig(
name=rag_engine_config_name,
rag_managed_db_config=rag.RagManagedDbConfig(tier=rag.Unprovisioned()),
)
updated_rag_engine_config = rag.rag_data.update_rag_engine_config(
rag_engine_config=new_rag_engine_config
)
print(updated_rag_engine_config)
REST
curl -X PATCH \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
https://${LOCATION}-aiplatform.googleapis.com/v1beta1/projects/${PROJECT_ID}/locations/${LOCATION}/ragEngineConfig -d "{'ragManagedDbConfig': {'unprovisioned': {}}}"
Étapes suivantes
- Pour en savoir plus sur les modèles de génération compatibles, consultez Modèles d'IA générative compatibles avec RAG.
- Pour en savoir plus sur les modèles d'embedding compatibles, consultez Modèles d'embedding.
- Pour en savoir plus sur les modèles ouverts, consultez Modèles ouverts.
- Pour en savoir plus sur le moteur RAG, consultez la présentation du moteur RAG.