RAG Engine API

מנוע ה-RAG של Vertex AI הוא רכיב של פלטפורמת Vertex AI, שמסייע ביצירה משולבת-אחזור (RAG). מנוע RAG מאפשר למודלים גדולים של שפה (LLM) לגשת לנתונים ממקורות ידע חיצוניים, כמו מסמכים ומסדי נתונים, ולשלב אותם. באמצעות RAG, מודלים גדולים של שפה (LLM) יכולים ליצור תשובות מדויקות ואינפורמטיביות יותר.

רשימת הפרמטרים

בקטע הזה מפורטים:

פרמטרים	דוגמאות
פרמטרים לניהול מאגרים	דוגמאות לניהול קורפוס
פרמטרים לניהול קבצים	דוגמאות לניהול קבצים
פרמטרים לניהול פרויקטים	דוגמאות לניהול פרויקטים

פרמטרים לניהול מאגר מידע

מידע על מאגר מידע של RAG זמין במאמר בנושא ניהול מאגרי מידע.

יצירת מאגר מידע של RAG

בטבלה הזו מפורטים הפרמטרים שמשמשים ליצירת מאגר מידע של RAG.

גוף הבקשה

פרמטרים
`corpus_type_config`	אופציונלי: לא ניתן לשינוי. `RagCorpus.CorpusTypeConfig` ההגדרה שקובעת את סוג המאגר.
`display_name`	חובה: `string` השם המוצג של מאגר המידע של RAG.
`description`	`string` (אופציונלי) תיאור של מאגר המידע של RAG.
`encryption_spec`	אופציונלי: בלתי ניתן לשינוי: `string` שם מפתח ה-CMEK משמש להצפנת נתונים במנוחה שקשורים למאגר המידע של RAG. שם המפתח רלוונטי רק לאפשרות `RagManaged` של מסד הנתונים הווקטורי. אפשר להגדיר את השדה הזה כשיוצרים את מאגר המידע, אבל אי אפשר לעדכן או למחוק אותו. פורמט: `projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{key_name}`
`vector_db_config`	אופציונלי: בלתי ניתן לשינוי: `RagVectorDbConfig` ההגדרה של מסדי הנתונים הווקטוריים.
`vertex_ai_search_config.serving_config`	`string` (אופציונלי) ההגדרה של חיפוש מבוסס-Vertex AI. פורמט: `projects/{project}/locations/{location}/collections/{collection}/engines/{engine}/servingConfigs/{serving_config}` או `projects/{project}/locations/{location}/collections/{collection}/dataStores/{data_store}/servingConfigs/{serving_config}`

`CorpusTypeConfig`

פרמטרים

פרמטרים
`document_corpus`	`oneof` `RagCorpus.CorpusTypeConfig.DocumentCorpus` ערך ברירת המחדל הוא `corpus_type_config`, שמייצג קורפוס RAG רגיל שמבוסס על מסמכים.
`memory_corpus`	`oneof` `RagCorpus.CorpusTypeConfig.MemoryCorpus` אם מגדירים את הסוג הזה, קורפוס ה-RAG הוא `MemoryCorpus` שאפשר להשתמש בו עם Gemini Live API כמאגר זיכרון. מידע נוסף זמין במאמר שימוש ב-Vertex AI RAG Engine כמאגר זיכרון.
`memory_corpus.llm_parser`	`oneof` `RagFileParsingConfig.LlmParser` מנתח ה-LLM שמשמש לניתוח ולאחסון של הקשרים של סשנים מ-Gemini Live API. אתם יכולים ליצור זיכרונות לאינדוקס.

document_corpus

oneof RagCorpus.CorpusTypeConfig.DocumentCorpus

ערך ברירת המחדל הוא corpus_type_config, שמייצג קורפוס RAG רגיל שמבוסס על מסמכים.

memory_corpus

oneof RagCorpus.CorpusTypeConfig.MemoryCorpus

אם מגדירים את הסוג הזה, קורפוס ה-RAG הוא MemoryCorpus שאפשר להשתמש בו עם Gemini Live API כמאגר זיכרון.

מידע נוסף זמין במאמר שימוש ב-Vertex AI RAG Engine כמאגר זיכרון.

memory_corpus.llm_parser

oneof RagFileParsingConfig.LlmParser

מנתח ה-LLM שמשמש לניתוח ולאחסון של הקשרים של סשנים מ-Gemini Live API. אתם יכולים ליצור זיכרונות לאינדוקס.

`RagVectorDbConfig`

פרמטרים
`rag_managed_db`	`oneof` `vector_db`: `RagVectorDbConfig.RagManagedDb` אם לא מציינים מסד נתונים וקטורי, `rag_managed_db` הוא מסד הנתונים הווקטורי שמוגדר כברירת מחדל.
`rag_managed_db.knn`	`oneof` `retrieval_strategy`: `KNN` ברירת מחדל. הפונקציה מוצאת את השכנים הקרובים ביותר על ידי השוואה של כל נקודות הנתונים במאגר המידע של RAG. אם לא מציינים אסטרטגיה במהלך יצירת מאגר המידע של RAG, אסטרטגיית השליפה שמשמשת כברירת מחדל היא KNN.
`rag_managed_db.ann`	`oneof` `retrieval_strategy`: `ANN` `tree_depth` קובע את מספר השכבות או הרמות בעץ. אם יש לכם `O(10K)` קבצים של RAG במאגר המידע של RAG, צריך להגדיר את הערך הזה כ-2. אם נדרשות עוד שכבות או רמות, מגדירים את הערך הזה ל-3. אם לא מציינים את מספר השכבות או הרמות, Vertex AI RAG Engine מקצה לפרמטר הזה ערך ברירת מחדל של 2. `leaf_count` המאפיין קובע את מספר צמתי העלים במבנה מבוסס-העץ. הערך המומלץ הוא `10 * sqrt(num of RAG files in your RAG corpus)`. אם לא מציינים ערך, Vertex AI RAG Engine מקצה לפרמטר הזה ערך ברירת מחדל של 500. `rebuild_ann_index` מנוע ה-RAG של Vertex AI בונה מחדש את אינדקס ה-ANN. מגדירים את הערך `true` בבקשת ה-API של `ImportRagFiles`. לפני שמריצים שאילתה על מאגר המידע של RAG, צריך לבנות מחדש את אינדקס ה-ANN פעם אחת. בכל מיקום, אפשר לבצע בנייה מחדש של אינדקס אחד בלבד בו-זמנית בפרויקט.
`weaviate`	`oneof` `vector_db`: `RagVectorDbConfig.Weaviate` מציינים את מופע Weaviate.
`weaviate.http_endpoint`	`string` נקודת הקצה (endpoint) של HTTP במופע Weaviate. אי אפשר לשנות את הערך הזה אחרי שהוא מוגדר. אפשר להשאיר אותו ריק ב`CreateRagCorpus`קריאה ל-API`UpdateRagCorpus`, ולהגדיר לו ערך לא ריק ב`UpdateRagCorpus`קריאת API`UpdateRagCorpus` נוספת.
`weaviate.collection_name`	`string` אוסף Weaviate שאליו ממופה מאגר הנתונים של RAG. אי אפשר לשנות את הערך הזה אחרי שהוא מוגדר. אפשר להשאיר אותו ריק ב`CreateRagCorpus`קריאה ל-API`UpdateRagCorpus`, ולהגדיר לו ערך לא ריק ב`UpdateRagCorpus`קריאת API`UpdateRagCorpus` נוספת.
`pinecone`	`oneof` `vector_db`: `RagVectorDbConfig.Pinecone` מציינים את מופע Pinecone.
`pinecone.index_name`	`string` זה השם שמשמש ליצירת אינדקס Pinecone שמשמש עם קורפוס RAG. אי אפשר לשנות את הערך הזה אחרי שהוא מוגדר. אפשר להשאיר אותו ריק ב`CreateRagCorpus`קריאה ל-API`UpdateRagCorpus`, ולהגדיר לו ערך לא ריק ב`UpdateRagCorpus`קריאת API`UpdateRagCorpus` נוספת.
`vertex_feature_store`	`oneof` `vector_db`: `RagVectorDbConfig.VertexFeatureStore` מציינים את המופע של Vertex AI Feature Store.
`vertex_feature_store.feature_view_resource_name`	`string` ‫Vertex AI Feature Store `FeatureView` שאליו ממופה מאגר המידע של RAG. פורמט: `projects/{project}/locations/{location}/featureOnlineStores/{feature_online_store}/featureViews/{feature_view}` אי אפשר לשנות את הערך הזה אחרי שהוא מוגדר. אפשר להשאיר אותו ריק ב`CreateRagCorpus`קריאה ל-API`UpdateRagCorpus`, ולהגדיר לו ערך לא ריק ב`UpdateRagCorpus`קריאת API`UpdateRagCorpus` נוספת.
`vertex_vector_search`	`oneof` `vector_db`: `RagVectorDbConfig.VertexVectorSearch` מציינים את המכונה שלכם ב-Vertex Vector Search.
`vertex_vector_search.index`	`string` זהו שם המשאב של אינדקס Vector Search שמשמש עם קורפוס RAG. פורמט: `projects/{project}/locations/{location}/indexEndpoints/{index_endpoint}` אי אפשר לשנות את הערך הזה אחרי שהוא מוגדר. אפשר להשאיר אותו ריק ב`CreateRagCorpus`קריאה ל-API`UpdateRagCorpus`, ולהגדיר לו ערך לא ריק ב`UpdateRagCorpus`קריאת API`UpdateRagCorpus` נוספת.
`vertex_vector_search.index_endpoint`	`string` זהו שם המשאב של נקודת הקצה של אינדקס החיפוש הווקטורי שמשמשת עם מאגר המידע של RAG. פורמט: `projects/{project}/locations/{location}/indexes/{index}` אי אפשר לשנות את הערך הזה אחרי שהוא מוגדר. אפשר להשאיר אותו ריק ב`CreateRagCorpus`קריאה ל-API`UpdateRagCorpus`, ולהגדיר לו ערך לא ריק ב`UpdateRagCorpus`קריאת API`UpdateRagCorpus` נוספת.
`api_auth.api_key_config.api_key_secret_version`	`string` זהו שם המשאב המלא של הסוד שמאוחסן ב-Secret Manager, שמכיל את מפתח ה-API של Weaviate או Pinecone, בהתאם לבחירה שלכם במסד נתונים וקטורי. פורמט: `projects/{PROJECT_NUMBER}/secrets/{SECRET_ID}/versions/{VERSION_ID}` אפשר להשאיר אותו ריק בקריאה ל-API‏ `CreateRagCorpus`, ולהגדיר לו ערך לא ריק בקריאה ל-API‏ `UpdateRagCorpus` נוספת.
`rag_embedding_model_config.vertex_prediction_endpoint.endpoint`	אופציונלי: בלתי ניתן לשינוי: `string` מודל ההטמעה שבו צריך להשתמש בשביל מאגר הידע של RAG. אי אפשר לשנות את הערך הזה אחרי שמגדירים אותו. אם לא תציינו מודל, נשתמש במודל text-embedding-005.

עדכון מאגר מידע של RAG

בטבלה הזו מפורטים הפרמטרים שמשמשים לעדכון מאגר מידע של RAG.

גוף הבקשה

פרמטרים
`display_name`	`string` (אופציונלי) השם המוצג של מאגר המידע של RAG.
`description`	`string` (אופציונלי) תיאור של מאגר המידע של RAG.
`rag_vector_db.weaviate.http_endpoint`	`string` נקודת הקצה (endpoint) של HTTP במופע Weaviate. אם `RagCorpus` נוצר עם הגדרה של `Weaviate`, והשדה הזה אף פעם לא הוגדר, אפשר לעדכן את נקודת הקצה של HTTP במופע Weaviate.
`rag_vector_db.weaviate.collection_name`	`string` אוסף Weaviate שאליו ממופה מאגר הנתונים של RAG. אם `RagCorpus` נוצר עם הגדרה של `Weaviate`, והשדה הזה מעולם לא הוגדר לפני כן, אפשר לעדכן את שם האוסף של מופע Weaviate.
`rag_vector_db.pinecone.index_name`	`string` זה השם שמשמש ליצירת אינדקס Pinecone שמשמש עם קורפוס RAG. אם `RagCorpus` נוצר עם הגדרה של `Pinecone`, והשדה הזה אף פעם לא הוגדר, אפשר לעדכן את שם האינדקס של מופע Pinecone.
`rag_vector_db.vertex_feature_store.feature_view_resource_name`	`string` ‫Vertex AI Feature Store `FeatureView` שאליו ממופה מאגר המידע של RAG. פורמט: `projects/{project}/locations/{location}/featureOnlineStores/{feature_online_store}/featureViews/{feature_view}` אם `RagCorpus` נוצר עם הגדרה של `Vertex AI Feature Store` ולא הוגדר בו ערך בשדה הזה, אפשר לעדכן אותו.
`rag_vector_db.vertex_vector_search.index`	`string` זהו שם המשאב של אינדקס Vector Search שמשמש עם קורפוס RAG. פורמט: `projects/{project}/locations/{location}/indexEndpoints/{index_endpoint}` אם `RagCorpus` נוצר עם הגדרה של `Vector Search` ולא הוגדר בו ערך בשדה הזה, אפשר לעדכן אותו.
`rag_vector_db.vertex_vector_search.index_endpoint`	`string` זהו שם המשאב של נקודת הקצה של אינדקס החיפוש הווקטורי שמשמשת עם מאגר המידע של RAG. פורמט: `projects/{project}/locations/{location}/indexes/{index}` אם `RagCorpus` נוצר עם הגדרה של `Vector Search` ולא הוגדר בו ערך בשדה הזה, אפשר לעדכן אותו.
`rag_vector_db.api_auth.api_key_config.api_key_secret_version`	`string` השם המלא של המשאב של הסוד שמאוחסן ב-Secret Manager, שמכיל את מפתח ה-API של Weaviate או Pinecone, תלוי בבחירה שלכם לגבי מסד הנתונים הווקטורי. פורמט: `projects/{PROJECT_NUMBER}/secrets/{SECRET_ID}/versions/{VERSION_ID}`

הצגת רשימה של מאגרי מידע של RAG

בטבלה הזו מפורטים הפרמטרים שמשמשים לרישום של מאגרי מידע של RAG.

פרמטרים

פרמטרים
`page_size`	`int` (אופציונלי) גודל הדף הרגיל ברשימה.
`page_token`	`string` (אופציונלי) טוקן הדף הרגיל של הרשימה. בדרך כלל מתקבל מ-`[ListRagCorporaResponse.next_page_token][]` של הקריאה הקודמת של `[VertexRagDataService.ListRagCorpora][]`.

page_size

int (אופציונלי)

גודל הדף הרגיל ברשימה.

page_token

string (אופציונלי)

טוקן הדף הרגיל של הרשימה. בדרך כלל מתקבל מ-[ListRagCorporaResponse.next_page_token][] של הקריאה הקודמת של [VertexRagDataService.ListRagCorpora][].

קבלת קורפוס RAG

בטבלה הזו מפורטים הפרמטרים שמשמשים לקבלת מאגר מידע של RAG.

פרמטרים

פרמטרים
`name`	`string` השם של משאב `RagCorpus`. פורמט: `projects/{project}/locations/{location}/ragCorpora/{rag_corpus_id}`

name

string

השם של משאב RagCorpus. פורמט: projects/{project}/locations/{location}/ragCorpora/{rag_corpus_id}

מחיקת מאגר מידע של RAG

בטבלה הזו מפורטים הפרמטרים שמשמשים למחיקת מאגר מידע של RAG.

פרמטרים

פרמטרים
`name`	`string` השם של משאב `RagCorpus`. פורמט: `projects/{project}/locations/{location}/ragCorpora/{rag_corpus_id}`

name

string

השם של משאב RagCorpus. פורמט: projects/{project}/locations/{location}/ragCorpora/{rag_corpus_id}

פרמטרים של ניהול קבצים

מידע על קובץ RAG זמין במאמר בנושא ניהול קבצים.

העלאת קובץ RAG

בטבלה הזו מפורטים הפרמטרים שמשמשים להעלאת קובץ RAG.

גוף הבקשה

פרמטרים

פרמטרים
`parent`	`string` השם של משאב `RagCorpus`. פורמט: `projects/{project}/locations/{location}/ragCorpora/{rag_corpus_id}`
`rag_file`	חובה: `RagFile` הקובץ להעלאה.
`upload_rag_file_config`	חובה: `UploadRagFileConfig` ההגדרה של `RagFile` שצריך להעלות אל `RagCorpus`.

parent

string

השם של משאב RagCorpus. פורמט: projects/{project}/locations/{location}/ragCorpora/{rag_corpus_id}

rag_file

חובה: RagFile

הקובץ להעלאה.

upload_rag_file_config

חובה: UploadRagFileConfig

ההגדרה של RagFile שצריך להעלות אל RagCorpus.

RagFile

`RagFile`
`display_name`	חובה: `string` השם המוצג של קובץ ה-RAG.
`description`	`string` (אופציונלי) תיאור קובץ ה-RAG.

display_name

חובה: string

השם המוצג של קובץ ה-RAG.

description

string (אופציונלי)

תיאור קובץ ה-RAG.

UploadRagFileConfig

`UploadRagFileConfig`
`rag_file_transformation_config.rag_file_chunking_config.fixed_length_chunking.chunk_size`	`int32` מספר הטוקנים בכל מקטע.
`rag_file_transformation_config.rag_file_chunking_config.fixed_length_chunking.chunk_overlap`	`int32` החפיפה בין המקטעים.

rag_file_transformation_config.rag_file_chunking_config.fixed_length_chunking.chunk_size

int32

מספר הטוקנים בכל מקטע.

rag_file_transformation_config.rag_file_chunking_config.fixed_length_chunking.chunk_overlap

int32

החפיפה בין המקטעים.

ייבוא קובצי RAG

בטבלה הזו מפורטים הפרמטרים שמשמשים לייבוא של קובץ RAG.

פרמטרים
`parent`	חובה: `string` השם של משאב `RagCorpus`. פורמט: `projects/{project}/locations/{location}/ragCorpora/{rag_corpus_id}`
`gcs_source`	`oneof` `import_source`: `GcsSource` מיקום ב-Cloud Storage. תמיכה בייבוא של קבצים בודדים וגם של ספריות שלמות ב-Cloud Storage.
`gcs_source.uris`	`list` מתוך `string` ‫URI של Cloud Storage שמכיל את קובץ ההעלאה.
`google_drive_source`	`oneof` `import_source`: `GoogleDriveSource` מיקום Google Drive. אפשר לייבא קבצים בודדים וגם תיקיות מ-Google Drive.
`slack_source`	`oneof` `import_source`: `SlackSource` ערוץ Slack שאליו הקובץ מועלה.
`jira_source`	`oneof` `import_source`: `JiraSource` שאילתת Jira שאליה הקובץ מועלה.
`share_point_sources`	`oneof` `import_source`: `SharePointSources` מקורות SharePoint שאליהם הקובץ מועלה.
`rag_file_transformation_config.rag_file_chunking_config.fixed_length_chunking.chunk_size`	`int32` מספר הטוקנים בכל מקטע.
`rag_file_transformation_config.rag_file_chunking_config.fixed_length_chunking.chunk_overlap`	`int32` החפיפה בין המקטעים.
`rag_file_parsing_config`	`RagFileParsingConfig` (אופציונלי) מציינת את הגדרות הניתוח של `RagFiles`. אם השדה הזה לא מוגדר, RAG משתמש במנתח ברירת המחדל.
`max_embedding_requests_per_min`	`int32` (אופציונלי) המספר המקסימלי של שאילתות לדקה שהעבודה הזו יכולה לשלוח למודל ההטמעה שצוין בקורפוס. הערך הזה ספציפי למשימה הזו ולא משותף בין משימות ייבוא אחרות. כדי להגדיר ערך מתאים, אפשר לעיין בדף Quotas בפרויקט. אם לא צוין ערך, המערכת תשתמש בערך ברירת המחדל 1,000 QPM.

GoogleDriveSource

`GoogleDriveSource`
`resource_ids.resource_id`	חובה: `string` המזהה של המשאב ב-Google Drive.
`resource_ids.resource_type`	חובה: `string` סוג המשאב ב-Google Drive.

resource_ids.resource_id

חובה: string

המזהה של המשאב ב-Google Drive.

resource_ids.resource_type

חובה: string

סוג המשאב ב-Google Drive.

`SlackSource`
`channels.channels`	חוזרת: `SlackSource.SlackChannels.SlackChannel` פרטי ערוץ Slack, כולל מזהה וטווח זמן לייבוא.
`channels.channels.channel_id`	חובה: `string` מזהה הערוץ ב-Slack.
`channels.channels.start_time`	`google.protobuf.Timestamp` (אופציונלי) חותמת הזמן של ההתחלה של ההודעות לייבוא.
`channels.channels.end_time`	`google.protobuf.Timestamp` (אופציונלי) חותמת הזמן של סיום ההודעות לייבוא.
`channels.api_key_config.api_key_secret_version`	חובה: `string` השם המלא של המשאב של הסוד שמאוחסן ב-Secret Manager, שמכיל אסימון גישה לערוץ Slack שיש לו גישה למזהי הערוצים ב-Slack. מידע נוסף זמין בכתובת: https://api.slack.com/tutorials/tracks/getting-a-token. פורמט: `projects/{PROJECT_NUMBER}/secrets/{SECRET_ID}/versions/{VERSION_ID}`

`JiraSource`
`jira_queries.projects`	חוזרת: `string` רשימה של פרויקטים ב-Jira לייבוא בשלמותם.
`jira_queries.custom_queries`	חוזרת: `string` רשימה של שאילתות מותאמות אישית של Jira לייבוא. מידע על JQL (שפת שאילתות של Jira) זמין ב Jira Support.
`jira_queries.email`	חובה: `string` כתובת האימייל של Jira.
`jira_queries.server_uri`	חובה: `string` ‫URI של שרת Jira.
`jira_queries.api_key_config.api_key_secret_version`	חובה: `string` שם המשאב המלא של הסוד שמאוחסן ב-Secret Manager, שכולל את מפתח ה-API של Jira שיש לו גישה למזהי הערוצים של Slack. מידע נוסף זמין בכתובת: https://support.atlassian.com/atlassian-account/docs/manage-api-tokens-for-your-atlassian-account/ פורמט: `projects/{PROJECT_NUMBER}/secrets/{SECRET_ID}/versions/{VERSION_ID}`

`SharePointSources`
`share_point_sources.sharepoint_folder_path`	`oneof` ב`folder_source`: `string` הנתיב של תיקיית SharePoint שממנה רוצים להוריד.
`share_point_sources.sharepoint_folder_id`	`oneof` ב`folder_source`: `string` המזהה של תיקיית SharePoint שממנה רוצים להוריד.
`share_point_sources.drive_name`	`oneof` ב`drive_source`: `string` השם של הכונן שממנו רוצים להוריד.
`share_point_sources.drive_id`	`oneof` ב`drive_source`: `string` המזהה של הכונן שממנו רוצים להוריד.
`share_point_sources.client_id`	`string` מזהה האפליקציה שרשומה בפורטל Microsoft Azure. צריך גם להגדיר את האפליקציה עם ההרשאות Files.ReadAll,‏ Sites.ReadAll ו-BrowserSiteLists.Read.All ב-MS Graph.
`share_point_sources.client_secret.api_key_secret_version`	חובה: `string` השם המלא של המשאב של הסוד שמאוחסן ב-Secret Manager, שמכיל את הסוד של האפליקציה שרשומה ב-Azure. פורמט: `projects/{PROJECT_NUMBER}/secrets/{SECRET_ID}/versions/{VERSION_ID}`
`share_point_sources.tenant_id`	`string` מזהה ייחודי של מופע Azure Active Directory.
`share_point_sources.sharepoint_site_name`	`string` שם אתר SharePoint שממנו רוצים להוריד. זה יכול להיות שם האתר או מזהה האתר.

`RagFileParsingConfig`
`layout_parser`	`oneof` `parser`: `RagFileParsingConfig.LayoutParser` הכלי לניתוח פריסה שבו יש להשתמש עבור `RagFile`.
`layout_parser.processor_name`	`string` השם המלא של משאב של מעבד Document AI או גרסת מעבד. פורמט: `projects/{project_id}/locations/{location}/processors/{processor_id}` `projects/{project_id}/locations/{location}/processors/{processor_id}/processorVersions/{processor_version_id}`
`layout_parser.max_parsing_requests_per_min`	`string` המספר המקסימלי של בקשות שהעבודה יכולה לשלוח למעבד Document AI בכל דקה. כדי להגדיר ערך מתאים כאן, אפשר לעיין במאמר בנושא מכסות ב-Document AI בכתובת https://cloud.google.com/document-ai/quotas ובדף Quota (מכסה) של הפרויקט. אם לא מציינים ערך, נעשה שימוש בערך ברירת המחדל של 120 QPM.
`llm_parser`	`oneof` `parser`: `RagFileParsingConfig.LlmParser` המערכת לניתוח LLM שבה צריך להשתמש בשביל `RagFile`.
`llm_parser.model_name`	`string` שם המשאב של מודל LLM. פורמט: `{publisher}/models/{model}`
`llm_parser.max_parsing_requests_per_min`	`string` המספר המקסימלי של בקשות שהעבודה יכולה לשלוח למודל LLM בכל דקה. כדי להגדיר ערך מתאים לפרויקט, אפשר לעיין בקטע בנושא מכסות של מודלים ובדף Quota של הפרויקט. אם לא מציינים ערך, המערכת משתמשת בערך ברירת המחדל של 5,000 שאילתות לדקה.

קבלת קובץ RAG

בטבלה הזו מפורטים הפרמטרים שמשמשים לקבלת קובץ RAG.

פרמטרים

פרמטרים
`name`	`string` השם של משאב `RagFile`. פורמט: `projects/{project}/locations/{location}/ragCorpora/{rag_file_id}`

name

string

השם של משאב RagFile. פורמט: projects/{project}/locations/{location}/ragCorpora/{rag_file_id}

מחיקת קובץ RAG

בטבלה הזו מפורטים הפרמטרים שמשמשים למחיקת קובץ RAG.

פרמטרים

פרמטרים
`name`	`string` השם של משאב `RagFile`. פורמט: `projects/{project}/locations/{location}/ragCorpora/{rag_file_id}`

name

string

השם של משאב RagFile. פורמט: projects/{project}/locations/{location}/ragCorpora/{rag_file_id}

פרמטרים של אחזור וחיזוי

בקטע הזה מפורטים הפרמטרים של השליפה והחיזוי.

פרמטרים של אחזור

בטבלה הזו מפורטים הפרמטרים של retrieveContexts API.

פרמטרים

פרמטרים
`parent`	חובה: `string` שם המשאב של המיקום לאחזור `RagContexts`. למשתמשים צריכה להיות הרשאה להתקשר בפרויקט. פורמט: `projects/{project}/locations/{location}`
`vertex_rag_store`	`VertexRagStore` מקור הנתונים של Vertex RagStore.
`query`	חובה: `RagQuery` שאילתת אחזור RAG יחידה.

parent

חובה: string

שם המשאב של המיקום לאחזור RagContexts.
למשתמשים צריכה להיות הרשאה להתקשר בפרויקט.

פורמט: projects/{project}/locations/{location}

vertex_rag_store

VertexRagStore

מקור הנתונים של Vertex RagStore.

query

חובה: RagQuery

שאילתת אחזור RAG יחידה.

`VertexRagStore`

VertexRagStore

`VertexRagStore`
`rag_resources`	רשימה: `RagResource` ייצוג של מקור RAG. אפשר להשתמש בו כדי לציין רק את הקורפוס או את `RagFile`. יש תמיכה רק בקורפוס אחד או בכמה קבצים מקורפוס אחד.
`rag_resources.rag_corpus`	`string` (אופציונלי) `RagCorpora` שם המשאב. פורמט: `projects/{project}/locations/{location}/ragCorpora/{rag_corpus}`
`rag_resources.rag_file_ids`	רשימה: `string` רשימה של `RagFile` משאבים. פורמט: `projects/{project}/locations/{location}/ragCorpora/{rag_corpus}/ragFiles/{rag_file}`

rag_resources

רשימה: RagResource

ייצוג של מקור RAG. אפשר להשתמש בו כדי לציין רק את הקורפוס או את RagFile. יש תמיכה רק בקורפוס אחד או בכמה קבצים מקורפוס אחד.

rag_resources.rag_corpus

string (אופציונלי)

RagCorpora שם המשאב.

פורמט: projects/{project}/locations/{location}/ragCorpora/{rag_corpus}

rag_resources.rag_file_ids

רשימה: string

רשימה של RagFile משאבים.

פורמט: projects/{project}/locations/{location}/ragCorpora/{rag_corpus}/ragFiles/{rag_file}

`RagQuery`
`text`	`string` השאילתה בפורמט טקסט כדי לקבל הקשרים רלוונטיים.
`rag_retrieval_config`	`RagRetrievalConfig` (אופציונלי) הגדרת האחזור של השאילתה.

RagQuery

text

string

השאילתה בפורמט טקסט כדי לקבל הקשרים רלוונטיים.

rag_retrieval_config

RagRetrievalConfig (אופציונלי)

הגדרת האחזור של השאילתה.

`RagRetrievalConfig`
`top_k`	`int32` (אופציונלי) מספר ההקשרים לאחזור.
`hybrid_search.alpha`	`float` (אופציונלי) ערך האלפא קובע את המשקל בין תוצאות חיפוש וקטורים צפופים לבין תוצאות חיפוש וקטורים דלילים. הטווח הוא [0, 1], כאשר 0 מציין חיפוש של וקטורים דלילים בלבד ו-1 מציין חיפוש של וקטורים צפופים בלבד. ערך ברירת המחדל הוא 0.5, שמאזן באופן שווה בין חיפוש וקטורי דליל לחיפוש וקטורי צפוף. החיפוש ההיברידי זמין רק ב-Weaviate.
`filter.vector_distance_threshold`	`oneof vector_db_threshold`: `double` הפונקציה מחזירה רק הקשרים עם מרחק וקטורי קטן יותר מהסף.
`filter.vector_similarity_threshold`	`oneof vector_db_threshold`: `double` הפונקציה מחזירה רק הקשרים עם דמיון וקטורי שגדול מהסף.
`ranking.rank_service.model_name`	`string` (אופציונלי) שם הדגם של שירות הדירוג. לדוגמה: `semantic-ranker-512@latest`
`ranking.llm_ranker.model_name`	`string` (אופציונלי) שם הדגם שמשמש לדירוג. לדוגמה: `gemini-2.5-flash`

פרמטרים של חיזוי

בטבלה הזו מפורטים פרמטרים של תחזיות.

GenerateContentRequest

`GenerateContentRequest`
`tools.retrieval.vertex_rag_store`	`VertexRagStore` הגדרה לשימוש במקור נתונים שמבוסס על מאגר RAG של Vertex AI.

tools.retrieval.vertex_rag_store

VertexRagStore

הגדרה לשימוש במקור נתונים שמבוסס על מאגר RAG של Vertex AI.

פרטים נוספים זמינים במאמר בנושא VertexRagStore.

פרמטרים של ניהול פרויקטים

בטבלה הזו מפורטים פרמטרים ברמת הפרויקט.

`RagEngineConfig`

פרמטרים
`RagManagedDbConfig.scaled`	שכבה זו מציעה ביצועים בקנה מידה של Production יחד עם פונקציונליות של התאמה אוטומטית לעומס (automatic scaling).
`RagManagedDbConfig.basic`	במסלול הזה יש אפשרות חסכונית עם שימוש נמוך במחשוב.
`RagManagedDbConfig.unprovisioned`	בשלב הזה נמחקת התוכנית `RagManagedDb` ומופע Spanner הבסיסי שלה.

דוגמאות לניהול מאגר מידע

בקטע הזה מופיעות דוגמאות לשימוש ב-API כדי לנהל את מאגר המידע של RAG.

יצירת דוגמה של מאגר מידע RAG

בדוגמת הקוד הזו מוסבר איך ליצור קורפוס RAG.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫PROJECT_ID: מזהה הפרויקט.
‫LOCATION: האזור שבו הבקשה תעובד.
‫CORPUS_DISPLAY_NAME: השם המוצג של RagCorpus.
‫CORPUS_DESCRIPTION: התיאור של RagCorpus.

ה-method של ה-HTTP וכתובת ה-URL:

POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora

גוף בקשת JSON:

{
  "display_name" : "CORPUS_DISPLAY_NAME",
  "description": "CORPUS_DESCRIPTION",
}

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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora"

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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora" | Select-Object -Expand Content

צריך להתקבל קוד סטטוס של הצלחה (2xx).

בדוגמה הבאה מוסבר איך ליצור מאגר מידע של RAG באמצעות REST API.

  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"
      }'

דוגמה לעדכון של מאגר מידע של RAG

אתם יכולים לעדכן את מאגר הנתונים של RAG עם שם תצוגה, תיאור ותצורת מסד נתונים וקטורי חדשים. עם זאת, אי אפשר לשנות את הפרמטרים הבאים במאגר המידע של RAG:

סוג מסד הנתונים הווקטורי. לדוגמה, אי אפשר לשנות את מסד הנתונים הווקטורי מ-Weaviate ל-Vertex AI Feature Store.
אם אתם משתמשים באפשרות של מסד נתונים מנוהל, אתם לא יכולים לעדכן את ההגדרות של מסד הנתונים הווקטורי.

בדוגמאות האלה אפשר לראות איך מעדכנים קורפוס RAG.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫PROJECT_ID: מזהה הפרויקט.
‫LOCATION: האזור שבו הבקשה תעובד.
‫CORPUS_ID: מזהה הקורפוס של קורפוס ה-RAG.
‫CORPUS_DISPLAY_NAME: השם המוצג של RagCorpus.
‫CORPUS_DESCRIPTION: התיאור של RagCorpus.
‫INDEX_NAME: שם המשאב של Vector Search Index. פורמט: projects/{project}/locations/{location}/indexes/{index}
‫INDEX_ENDPOINT_NAME: שם המשאב של Vector Search Index Endpoint. פורמט: projects/{project}/locations/{location}/indexEndpoints/{index_endpoint}

ה-method של ה-HTTP וכתובת ה-URL:

PATCH https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/CORPUS_ID

גוף בקשת JSON:

{
  "display_name" : "CORPUS_DISPLAY_NAME",
  "description": "CORPUS_DESCRIPTION",
  "rag_vector_db_config": {
     "vertex_vector_search": {
         "index": "INDEX_NAME",
         "index_endpoint": "INDEX_ENDPOINT_NAME",
     }
  }
}

כדי לשלוח את הבקשה עליכם לבחור אחת מהאפשרויות הבאות:

curl

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

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

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 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

צריך להתקבל קוד סטטוס של הצלחה (2xx).

דוגמה להצגת רשימה של מאגרי מידע של RAG

בדוגמת הקוד הזו מוסבר איך להציג רשימה של כל מאגרי המידע של RAG.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫PROJECT_ID: מזהה הפרויקט.
‫LOCATION: האזור שבו הבקשה תעובד.
‫PAGE_SIZE: גודל הדף הסטנדרטי של הרשימה. אפשר לשנות את מספר RagCorpora התוצאות שיוחזרו בכל דף על ידי עדכון הפרמטר page_size.
PAGE_TOKEN: אסימון דף הרשימה הרגיל. בדרך כלל מתקבל באמצעות ListRagCorporaResponse.next_page_token של הקריאה הקודמת של VertexRagDataService.ListRagCorpora.

ה-method של ה-HTTP וכתובת ה-URL:

GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora?page_size=PAGE_SIZE&page_token=PAGE_TOKEN

כדי לשלוח את הבקשה אתם צריכים לבחור אחת מהאפשרויות הבאות:

curl

מריצים את הפקודה הבאה:

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

מריצים את הפקודה הבאה:

$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

אמור להתקבל קוד סטטוס של הצלחה (‎2xx) ורשימה של RagCorpora תחת PROJECT_ID שצוין.

דוגמה לקורפוס RAG

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫PROJECT_ID: מזהה הפרויקט.
‫LOCATION: האזור שבו הבקשה תעובד.
‫RAG_CORPUS_ID: המזהה של משאב RagCorpus.

ה-method של ה-HTTP וכתובת ה-URL:

GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID

כדי לשלוח את הבקשה אתם צריכים לבחור אחת מהאפשרויות הבאות:

curl

מריצים את הפקודה הבאה:

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

מריצים את הפקודה הבאה:

$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

תגובה מוצלחת מחזירה את משאב RagCorpus.

בדוגמה הבאה השתמשנו בפקודות get ו-list כדי להדגים איך RagCorpus משתמש בשדה rag_embedding_model_config בתוך vector_db_config, שמפנה למודל ההטמעה שבחרתם.

  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/

מחיקת דוגמה של מאגר מידע RAG

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫PROJECT_ID: מזהה הפרויקט.
‫LOCATION: האזור שבו הבקשה תעובד.
‫RAG_CORPUS_ID: המזהה של משאב RagCorpus.

ה-method של ה-HTTP וכתובת ה-URL:

DELETE https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID

כדי לשלוח את הבקשה אתם צריכים לבחור אחת מהאפשרויות הבאות:

curl

מריצים את הפקודה הבאה:

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

מריצים את הפקודה הבאה:

$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

תגובה מוצלחת מחזירה את DeleteOperationMetadata.

דוגמאות לניהול קבצים

בקטע הזה מופיעות דוגמאות לשימוש ב-API לניהול קבצי RAG.

העלאה של קובץ RAG לדוגמה

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

  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.

כדי לשלוח את הבקשה, משתמשים בפקודה הבאה:

  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"

דוגמה לייבוא קובצי RAG

אפשר לייבא קבצים ותיקיות מ-Drive או מ-Cloud Storage.

הערך response.skipped_rag_files_count מתייחס למספר הקבצים שהמערכת דילגה עליהם במהלך הייבוא. קובץ ידלג אם התנאים הבאים יתקיימו:

הקובץ כבר יובא.
הקובץ לא השתנה.
ההגדרה של חלוקת הקובץ לחלקים לא השתנתה.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫PROJECT_ID: מזהה הפרויקט.
‫LOCATION: האזור שבו הבקשה תעובד.
‫RAG_CORPUS_ID: המזהה של משאב RagCorpus.
‫GCS_URIS: רשימה של מיקומי Cloud Storage. לדוגמה: gs://my-bucket1, gs://my-bucket2.
‫CHUNK_SIZE: אופציונלי: מספר הטוקנים שכל מקטע צריך להכיל.
‫CHUNK_OVERLAP: אופציונלי: מספר האסימונים שחופפים בין חלקי הטקסט.

ה-method של ה-HTTP וכתובת ה-URL:

POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import

גוף בקשת JSON:

{
  "import_rag_files_config": {
    "gcs_source": {
      "uris": "GCS_URIS"
    },
    "rag_file_chunking_config": {
      "chunk_size": CHUNK_SIZE,
      "chunk_overlap": CHUNK_OVERLAP
    }
  }
}

כדי לשלוח את הבקשה עליכם לבחור אחת מהאפשרויות הבאות:

curl

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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import"

PowerShell

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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import" | Select-Object -Expand Content

תגובה מוצלחת מחזירה את משאב ImportRagFilesOperationMetadata.

בדוגמה הבאה אפשר לראות איך מייבאים קובץ מ-Cloud Storage. משתמשים בשדה הבקרה max_embedding_requests_per_min כדי להגביל את הקצב שבו RAG Engine קורא למודל ההטמעה במהלך תהליך יצירת האינדקס ImportRagFiles. ערך ברירת המחדל של השדה הוא 1000 שיחות לדקה.

  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

הדוגמה הבאה מדגימה איך מייבאים קובץ מ-Drive. משתמשים בשדה הבקרה max_embedding_requests_per_min כדי להגביל את הקצב שבו RAG Engine קורא למודל ההטמעה במהלך ImportRagFiles תהליך יצירת האינדקס. ערך ברירת המחדל של השדה הוא 1000 שיחות לדקה.

  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

דוגמה לרשימת קובצי RAG

בדוגמת הקוד הזו אפשר לראות איך מציגים רשימה של קובצי RAG.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫PROJECT_ID: מזהה הפרויקט.
‫LOCATION: האזור שבו הבקשה תעובד.
‫RAG_CORPUS_ID: המזהה של משאב RagCorpus.
‫PAGE_SIZE: גודל הדף הסטנדרטי של הרשימה. אפשר לשנות את מספר RagFiles התוצאות שיוחזרו בכל דף על ידי עדכון הפרמטר page_size.
PAGE_TOKEN: אסימון דף הרשימה הרגיל. בדרך כלל מתקבל באמצעות ListRagFilesResponse.next_page_token של הקריאה הקודמת של VertexRagDataService.ListRagFiles.

ה-method של ה-HTTP וכתובת ה-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

כדי לשלוח את הבקשה אתם צריכים לבחור אחת מהאפשרויות הבאות:

curl

מריצים את הפקודה הבאה:

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

מריצים את הפקודה הבאה:

$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

אמור להתקבל קוד סטטוס של הצלחה (2xx) יחד עם רשימה של RagFiles ב-RAG_CORPUS_ID שצוין.

דוגמה לקובץ RAG

בדוגמת הקוד הזו אפשר לראות איך מקבלים קובץ RAG.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫PROJECT_ID: מזהה הפרויקט.
‫LOCATION: האזור שבו הבקשה תעובד.
‫RAG_CORPUS_ID: המזהה של משאב RagCorpus.
‫RAG_FILE_ID: המזהה של משאב RagFile.

ה-method של ה-HTTP וכתובת ה-URL:

GET https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID

כדי לשלוח את הבקשה אתם צריכים לבחור אחת מהאפשרויות הבאות:

curl

מריצים את הפקודה הבאה:

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

מריצים את הפקודה הבאה:

$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

תגובה מוצלחת מחזירה את משאב RagFile.

מחיקת קובץ RAG לדוגמה

דוגמת הקוד הזו מדגימה איך למחוק קובץ RAG.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫PROJECT_ID: מזהה הפרויקט.
‫LOCATION: האזור שבו הבקשה תעובד.
‫RAG_CORPUS_ID: המזהה של משאב RagCorpus.
‫RAG_FILE_ID: המזהה של משאב RagFile. פורמט: projects/{project}/locations/{location}/ragCorpora/{rag_corpus}/ragFiles/{rag_file_id}

ה-method של ה-HTTP וכתובת ה-URL:

DELETE https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID

כדי לשלוח את הבקשה אתם צריכים לבחור אחת מהאפשרויות הבאות:

curl

מריצים את הפקודה הבאה:

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

מריצים את הפקודה הבאה:

$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

תגובה מוצלחת מחזירה את משאב DeleteOperationMetadata.

דוגמה לשאילתת אחזור

כשמשתמש שואל שאלה או מזין הנחיה, רכיב האחזור ב-RAG מחפש ב<b>מאגר הידע</b> שלו מידע שרלוונטי לשאילתה.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫LOCATION: האזור שבו הבקשה תעובד.
‫PROJECT_ID: מזהה הפרויקט.
‫RAG_CORPUS_RESOURCE: השם של משאב RagCorpus. פורמט: projects/{project}/locations/{location}/ragCorpora/{rag_corpus}
‫VECTOR_DISTANCE_THRESHOLD: רק הקשרים עם מרחק וקטורי קטן יותר מהסף מוחזרים.
‫TEXT: טקסט השאילתה כדי לקבל הקשרים רלוונטיים.
‫SIMILARITY_TOP_K: מספר ההקשרים העליונים לאחזור.

ה-method של ה-HTTP וכתובת ה-URL:

POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts

גוף בקשת JSON:

{
 "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
  }
}

כדי לשלוח את הבקשה עליכם לבחור אחת מהאפשרויות הבאות:

curl

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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts"

PowerShell

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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts" | Select-Object -Expand Content

אמור להתקבל קוד סטטוס של הצלחה (2xx) ורשימה של RagFiles קשורים.

דוגמה ליצירה

ה-LLM יוצר תשובה שמבוססת על מקורות באמצעות ההקשרים שאוחזרו.

REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

‫PROJECT_ID: מזהה הפרויקט.
‫LOCATION: האזור שבו הבקשה תעובד.
‫MODEL_ID: מודל LLM ליצירת תוכן. לדוגמה: gemini-2.5-flash
‫GENERATION_METHOD: שיטה של LLM ליצירת תוכן. אפשרויות: generateContent, ‏ streamGenerateContent
‫INPUT_PROMPT: הטקסט שנשלח למודל שפה גדול (LLM) ליצירת תוכן. כדאי לנסות להשתמש בהנחיה שרלוונטית לקובצי ה-RAG שהועלו.
‫RAG_CORPUS_RESOURCE: השם של משאב RagCorpus. פורמט: projects/{project}/locations/{location}/ragCorpora/{rag_corpus}
‫SIMILARITY_TOP_K: אופציונלי: מספר ההקשרים העליונים לאחזור.
‫VECTOR_DISTANCE_THRESHOLD: אופציונלי: מוחזרים הקשרים עם מרחק וקטורי קטן יותר מערך הסף.

ה-method של ה-HTTP וכתובת ה-URL:

POST https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD

גוף בקשת JSON:

{
 "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
   }
  }
 }
}

כדי לשלוח את הבקשה עליכם לבחור אחת מהאפשרויות הבאות:

curl

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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD"

PowerShell

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-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD" | Select-Object -Expand Content

תשובה מוצלחת מחזירה את התוכן שנוצר עם ציטוטים.

דוגמאות לניהול פרויקטים

המסלול הוא הגדרה ברמת הפרויקט שזמינה במשאב RagEngineConfig ומשפיעה על מאגרי מידע של RAG באמצעות RagManagedDb. כדי לקבל את הגדרת הרמה, משתמשים בפקודה GetRagEngineConfig. כדי לעדכן את הגדרות הרמה, משתמשים בפקודה UpdateRagEngineConfig.

מידע נוסף על ניהול הגדרות הרמה זמין במאמר ניהול הרמה.

אחזור של הגדרות הפרויקט

בדוגמת הקוד הבאה אפשר לראות איך קוראים את RagEngineConfig:

המסוף

נכנסים לדף RAG Engine במסוף Google Cloud .
מעבר אל RAG Engine
בוחרים את האזור שבו מנוע ה-RAG פועל. רשימת מאגרי המידע של RAG עודכנה.
לוחצים על Configure RAG Engine (הגדרת מנוע RAG). מופיעה החלונית Configure RAG Engine. תוכלו לראות את הרמה שנבחרה למנוע ה-RAG.
לוחצים על ביטול.

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

עדכון הגדרות הפרויקט

בקטע הזה מופיעות דוגמאות קוד שמדגימות איך לשנות את הרמה בהגדרה.

עדכון של `RagEngineConfig` לרמת Scaled

בדוגמאות הקוד הבאות אפשר לראות איך מגדירים את RagEngineConfig לרמה Scaled:

המסוף

נכנסים לדף RAG Engine במסוף Google Cloud .
מעבר אל RAG Engine
בוחרים את האזור שבו מנוע ה-RAG פועל. רשימת מאגרי המידע של RAG עודכנה.
לוחצים על Configure RAG Engine (הגדרת מנוע RAG). מופיעה החלונית Configure RAG Engine.
בוחרים את הרמה שבה רוצים להפעיל את מנוע ה-RAG.
לוחצים על Save.

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': {}}}"

עדכון של `RagEngineConfig` לחבילת Basic

בדוגמאות הקוד הבאות אפשר לראות איך מגדירים את RagEngineConfig לרמה הבסיסית:

אם יש לכם כמות גדולה של נתונים ב-RagManagedDb בכל מאגרי המידע של RAG, יכול להיות שהשדרוג לא יצליח בגלל קיבולת אחסון וחישוב לא מספקת.

המסוף

נכנסים לדף RAG Engine במסוף Google Cloud .
מעבר אל RAG Engine
בוחרים את האזור שבו מנוע ה-RAG פועל. רשימת מאגרי המידע של RAG עודכנה.
לוחצים על Configure RAG Engine (הגדרת מנוע RAG). מופיעה החלונית Configure RAG Engine.
בוחרים את הרמה שבה רוצים להפעיל את מנוע ה-RAG.
לוחצים על Save.

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': {}}}"

עדכון המינוי ל-`RagEngineConfig` למהדורה שלא הוקצתה

בדוגמאות הקוד הבאות אפשר לראות איך מגדירים את RagEngineConfig לרמה Unprovisioned:

המסוף

נכנסים לדף RAG Engine במסוף Google Cloud .
מעבר אל RAG Engine
בוחרים את האזור שבו מנוע ה-RAG פועל. רשימת מאגרי המידע של RAG עודכנה.
לוחצים על Configure RAG Engine (הגדרת מנוע RAG). מופיעה החלונית Configure RAG Engine.
לוחצים על מחיקת מנוע RAG. מופיעה תיבת דו-שיח לאישור.
כדי לוודא שאתם עומדים למחוק את הנתונים במנוע RAG, מקלידים delete ולוחצים על Confirm.
לוחצים על Save.

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': {}}}"

המאמרים הבאים

מידע נוסף על מודלים נתמכים של יצירה זמין במאמר בנושא מודלים של AI גנרטיבי שתומכים ב-RAG.
מידע נוסף על מודלים מוטמעים נתמכים זמין במאמר מודלים להטמעה.
מידע נוסף על מודלים פתוחים זמין במאמר מודלים פתוחים.
מידע נוסף על RAG Engine זמין במאמר סקירה כללית על RAG Engine.

RAG Engine API קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.

רשימת הפרמטרים

פרמטרים לניהול מאגר מידע

יצירת מאגר מידע של RAG

גוף הבקשה

CorpusTypeConfig

RagVectorDbConfig

עדכון מאגר מידע של RAG

גוף הבקשה

הצגת רשימה של מאגרי מידע של RAG

קבלת קורפוס RAG

מחיקת מאגר מידע של RAG

פרמטרים של ניהול קבצים

העלאת קובץ RAG

גוף הבקשה

ייבוא קובצי RAG

קבלת קובץ RAG

מחיקת קובץ RAG

פרמטרים של אחזור וחיזוי

פרמטרים של אחזור

VertexRagStore

פרמטרים של חיזוי

פרמטרים של ניהול פרויקטים

RagEngineConfig

דוגמאות לניהול מאגר מידע

יצירת דוגמה של מאגר מידע RAG

REST

curl

PowerShell

דוגמה לעדכון של מאגר מידע של RAG

REST

curl

PowerShell

דוגמה להצגת רשימה של מאגרי מידע של RAG

REST

curl

PowerShell

דוגמה לקורפוס RAG

REST

curl

PowerShell

מחיקת דוגמה של מאגר מידע RAG

REST

curl

PowerShell

דוגמאות לניהול קבצים

העלאה של קובץ RAG לדוגמה

REST

דוגמה לייבוא קובצי RAG

REST

curl

PowerShell

דוגמה לרשימת קובצי RAG

REST

curl

PowerShell

דוגמה לקובץ RAG

REST

curl

PowerShell

מחיקת קובץ RAG לדוגמה

REST

curl

PowerShell

דוגמה לשאילתת אחזור

REST

curl

PowerShell

דוגמה ליצירה

REST

curl

PowerShell

דוגמאות לניהול פרויקטים

אחזור של הגדרות הפרויקט

המסוף

Python

REST

עדכון הגדרות הפרויקט

עדכון של RagEngineConfig לרמת Scaled

המסוף

RAG Engine API

`CorpusTypeConfig`

`RagVectorDbConfig`

`VertexRagStore`

`RagEngineConfig`

עדכון של `RagEngineConfig` לרמת Scaled

עדכון של `RagEngineConfig` לחבילת Basic

עדכון המינוי ל-`RagEngineConfig` למהדורה שלא הוקצתה