Fundierung mit Agent Search

Auf dieser Seite wird erläutert, wie Sie Antworten mithilfe Ihrer Daten aus der Agentensuche fundieren können.

Gemini auf Basis Ihrer Daten fundieren

Wenn Sie Retrieval-Augmented Generation (RAG) verwenden möchten, verbinden Sie Ihr Modell mit Ihren Websitedaten oder Ihren Dokumenten und verwenden Sie dann Fundierung mit Agentensuche.

Die Fundierung mit Ihren Daten unterstützt maximal 10 Agent Search-Datenquellen und kann mit der Fundierung mit der Google Suche kombiniert werden.

Unterstützte Modelle

In diesem Abschnitt sind die Modelle aufgeführt, die das Fundieren mit Ihren Daten unterstützen.

Klicken, um unterstützte Modelle einzublenden

Vorbereitung

Bevor Sie die Modellausgabe mit Ihren Daten fundieren können, müssen Sie Folgendes tun:

  1. Rufen Sie in der Google Cloud Console die Seite IAM auf und suchen Sie nach der Berechtigung discoveryengine.servingConfigs.search, die für den Fundierungsdienst erforderlich ist.

    IAM aufrufen

    Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen zuzuweisen, um die Berechtigungen zu erhalten, die Sie für die Verwendung von Fundierung mit der Agentensuche benötigen:

    • Zum Lesen aller Discovery Engine-Ressourcen: Discovery Engine-Betrachter (roles/discoveryengine.viewer).

    • Zum Lesen und Schreiben aller Discovery Engine-Ressourcen und zum Erstellen einer Agent Search-Instanz: Discovery Engine Editor (roles/discoveryengine.editor).

    Weitere Informationen zu IAM finden Sie unter IAM-Rollen und -Berechtigungen.

  2. Aktivieren Sie AI Applications und die API.

  3. Erstellen Sie eine KI-Anwendungsdatenquelle und eine Anwendung.

    Weitere Informationen finden Sie unter Einführung in die Agentensuche.

KI-Anwendungen aktivieren

Wenn Sie die Agentensuche zum Fundieren Ihrer Antworten verwenden möchten, müssen Sie den Dienst für die Agentensuche aktivieren. Gehen Sie dazu so vor:

  1. Rufen Sie in der Google Cloud Console die Seite KI-Anwendungen auf.

    Zu KI-Anwendungen

  2. Optional: Lesen Sie die Bedingungen für die Datennutzung.

AI Applications ist am Standort global oder am multiregionalen Standort eu und us verfügbar. Weitere Informationen finden Sie unter Standorte für KI-Anwendungen.

Datenspeicher in AI Applications erstellen

Wenn Sie einen Datenspeicher in AI Applications erstellen möchten, können Sie ihn mit Websitedaten oder Dokumenten fundieren.

Website

  1. Öffnen Sie in der Google Cloud Console die Seite Datenspeicher erstellen.

  2. Klicken Sie im Feld Websiteinhalte auf Auswählen.
    Der Bereich Geben Sie die Websites für den Datenspeicher an wird angezeigt.

  3. Wenn die Option Erweiterte Websiteindexierung nicht aktiviert ist, setzen Sie ein Häkchen, um sie zu aktivieren.
    Der Bereich Datenspeicher konfigurieren wird angezeigt.

  4. Führen Sie im Abschnitt URL-Muster angeben, die indexiert werden sollen folgende Schritte aus:

    • Fügen Sie URLs für Einzuschließende Websites hinzu.
    • Optional: Fügen Sie URLs für Auszuschließende Websites hinzu.

  5. Klicken Sie auf Weiter.

  6. Im Bereich Datenspeicher konfigurieren:

    1. Wählen Sie einen Wert aus der Liste Standort des Datenspeichers aus.
    2. Geben Sie im Feld Name des Datenspeichers einen Namen ein. Die ID wird generiert. Verwenden Sie diese ID, wenn Sie fundierte Antworten mit Ihrem Datenspeicher generieren. Weitere Informationen finden Sie unter Fundierte Antworten mit Ihrem Datenspeicher generieren.
    3. Klicken Sie auf Erstellen.

Dokumente

  1. Öffnen Sie in der Google Cloud Console die Seite Datenspeicher erstellen.

  2. Klicken Sie im Feld Cloud Storage auf Auswählen.
    Der Bereich Daten aus Cloud Storage importieren wird angezeigt.

  3. Wählen Sie im Abschnitt Unstrukturierte Dokumente (PDF, HTML, TXT usw.) die Option Unstrukturierte Dokumente (PDF, HTML, TXT usw.) aus.

  4. Wählen Sie eine Option für die Synchronisierungshäufigkeit aus.

  5. Wählen Sie eine Option unter Ordner oder Datei für Import auswählen aus und geben Sie den Pfad in das Feld ein.

  6. Klicken Sie auf Weiter.
    Der Bereich Datenspeicher konfigurieren wird angezeigt.

  7. Im Bereich Datenspeicher konfigurieren:

    1. Wählen Sie einen Wert aus der Liste Standort des Datenspeichers aus.
    2. Geben Sie im Feld Name des Datenspeichers einen Namen ein. Die ID wird generiert.
    3. Wenn Sie Optionen für das Parsen und Aufteilen in Blöcke für Ihre Dokumente auswählen möchten, maximieren Sie den Bereich Dokumentverarbeitungsoptionen. Weitere Informationen zu den verschiedenen Parsern finden Sie unter Dokumente parsen.
    4. Klicken Sie auf Erstellen.

  8. Klicken Sie auf Erstellen.

Fundierte Antworten mit Ihrem Datenspeicher generieren

Folgen Sie der nachstehenden Anleitung, um ein Modell mit Ihren Daten zu fundieren. Es werden maximal 10 Datenspeicher unterstützt.

Wenn Sie Ihre Datenspeicher-ID nicht kennen, gehen Sie so vor:

  1. Rufen Sie in der Google Cloud Console die Seite AI Applications auf und klicken Sie im Navigationsmenü auf Datenspeicher.

    Zur Seite „Datenspeicher“

  2. Klicken Sie auf den Namen des Datenspeichers.

  3. Rufen Sie auf der Datenseite Ihres Datenspeichers die Datenspeicher-ID ab.

Console

So fundieren Sie Ihre Modellausgabe mit Agent Search mithilfe von Agent Studio in derGoogle Cloud -Console:

  1. Rufen Sie in der Google Cloud Console die Seite Agent Studio auf.

    Zu Agent Studio

  2. So aktivieren Sie die Fundierung:
    1. Wählen Sie in der Seitenleiste unter Modelleinstellungen Ihr Modell aus.
    2. Gehen Sie zum Abschnitt Fundierung und aktivieren Sie die Option Meine Daten. Der Konfigurationsbereich wird angezeigt.
      1. Wählen Sie eine Fundierungsquelle aus der folgenden Tabelle aus:
        2. Fundierungsoption Beschreibung Eingabe
        RAG Engine Fundierung anhand Ihrer Daten und DIY-Komponenten. Wenn Sie noch keinen Korpus haben, müssen Sie einen erstellen. Andernfalls geben Sie Ihren Korpus ein.
        Agentensuche Fundierung anhand Ihrer Daten mit einer von Googleverwalteten Suchmaschine. Geben Sie den Pfad in das Feld Pfad des Gemini Enterprise Agent Platform-Datenspeichers ein.
        Elasticsearch Fundierung mit Elasticsearch. Geben Sie die folgenden Informationen ein:
        1. Geben Sie einen Wert in das Feld Elasticsearch-Endpunkt ein.
        2. Geben Sie einen Wert in das Feld Elasticsearch API Key ein.
        3. Geben Sie einen Wert in das Feld Elasticsearch-Index ein.
        4. Geben Sie einen Wert in das Feld Elasticsearch-Suchvorlage ein.
      2. Klicken Sie auf Speichern.
  3. Geben Sie Ihren Prompt in das Feld ein und klicken Sie auf Senden. Ihre Prompt-Antworten werden in der Agentensuche fundiert.

Python

Installieren

pip install --upgrade google-genai

Weitere Informationen finden Sie in der SDK-Referenzdokumentation.

Legen Sie Umgebungsvariablen fest, um das Google Gen AI SDK mit Vertex AI zu verwenden: 

# Replace the `GOOGLE_CLOUD_PROJECT` and `GOOGLE_CLOUD_LOCATION` values
# with appropriate values for your project.
export GOOGLE_CLOUD_PROJECT=GOOGLE_CLOUD_PROJECT
export GOOGLE_CLOUD_LOCATION=global
export GOOGLE_GENAI_USE_ENTERPRISE=True
 

from google import genai
from google.genai.types import (
    GenerateContentConfig,
    VertexAISearch,
    Retrieval,
    Tool,
    HttpOptions,
)

client = genai.Client(http_options=HttpOptions(api_version="v1"))

# Replace with your Agent Search data store details
DATASTORE_PATH = "projects/PROJECT_ID/locations/global/collections/default_collection/dataStores/DATASTORE_ID"

tool = Tool(
    retrieval=Retrieval(
        vertex_ai_search=VertexAISearch(
            datastore=DATASTORE_PATH
        )
    )
)

response = client.models.generate_content(
    model="gemini-2.5-flash",  # Or another supported model
    contents="What information can you find about topic X in the provided documents?", # Your query
    config=GenerateContentConfig(
        tools=[tool],
    ),
)

print(response.text)

REST

Senden Sie zum Testen eines Text-Prompts mit der Agent Platform API eine POST-Anfrage an den Endpunkt des Publisher-Modells.

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • LOCATION: Die Region, in der die Anfrage verarbeitet werden soll. Wenn Sie den global-Endpunkt verwenden möchten, schließen Sie den Standort aus dem Endpunktnamen aus und konfigurieren Sie den Standort der Ressource auf global.
  • PROJECT_ID: Ihre Projekt-ID. .
  • MODEL_ID: Die Modell-ID des multimodalen Modells.
  • PROMPT: Der Prompt, der an das Modell gesendet werden soll.

HTTP-Methode und URL: 

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

JSON-Text anfordern:

{
  "contents": [{
    "role": "user",
    "parts": [{
      "text": "PROMPT"
    }]
  }],
  "tools": [{
    "retrieval": {
      "vertexAiSearch": {
        "datastore": projects/PROJECT_ID/locations/global/collections/default_collection/dataStores/DATASTORE_ID
      }
    }
  }],
  "model": "projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID"
}

Wenn Sie die Anfrage senden möchten, maximieren Sie eine der folgenden Optionen:

Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:

{
  "candidates": [
    {
      "content": {
        "role": "model",
        "parts": [
          {
            "text": "You can make an appointment on the website https://dmv.gov/"
          }
        ]
      },
      "finishReason": "STOP",
      "safetyRatings": [
        "..."
      ],
      "groundingMetadata": {
        "retrievalQueries": [
          "How to make appointment to renew driving license?"
        ],
        "groundingChunks": [
          {
            "retrievedContext": {
              "uri": "https://vertexaisearch.cloud.google.com/grounding-api-redirect/AXiHM.....QTN92V5ePQ==",
              "title": "dmv"
            }
          }
        ],
        "groundingSupport": [
          {
            "segment": {
              "startIndex": 25,
              "endIndex": 147
            },
            "segment_text": "ipsum lorem ...",
            "supportChunkIndices": [1, 2],
            "confidenceScore": [0.9541752, 0.97726375]
          },
          {
            "segment": {
              "startIndex": 294,
              "endIndex": 439
            },
            "segment_text": "ipsum lorem ...",
            "supportChunkIndices": [1],
            "confidenceScore": [0.9541752, 0.9325467]
          }
        ]
      }
    }
  ],
  "usageMetadata": {
    "..."
  }
}

Ihre Antwort verstehen

Die Antwort beider APIs enthält den vom LLM generierten Text, der als Kandidat bezeichnet wird. Wenn Ihr Modell-Prompt erfolgreich bei Ihrer Datenquelle fundiert wird, enthalten die Antworten Fundierungsmetadaten, die die Teile der Antwort identifizieren, die aus Ihren Daten abgeleitet wurden. Es gibt jedoch mehrere Gründe, warum diese Metadaten möglicherweise nicht bereitgestellt werden und die Prompt-Antwort nicht fundiert wird. Zu diesen Gründen gehören eine geringe Relevanz der Quellen oder unvollständige Informationen in der Antwort des Modells.

Im Folgenden finden Sie eine Aufschlüsselung der Ausgabedaten:

  • Rolle: Gibt den Absender der fundierten Antwort an. Da die Antwort immer fundierten Text enthält, ist die Rolle immer model.
  • Text: Die fundierte Antwort, die vom LLM generiert wurde.
  • Fundierungsmetadaten: Informationen zur Fundierungsquelle, die die folgenden Elemente enthalten:
    • Fundierungsblöcke: Eine Liste von Ergebnissen aus Ihrem Index, die die Antwort unterstützen.
    • Fundierungsbelege: Informationen zu einer bestimmten Behauptung in der Antwort, die zum Anzeigen von Zitaten verwendet werden können:
    • Segment: Der Teil der Antwort des Modells, der durch einen Fundierungsblock belegt wird.
    • Fundierungsblock-Index: Der Index der Fundierungsblöcke in der Liste der Fundierungsblöcke, die dieser Behauptung entsprechen.
    • Konfidenzwerte: Eine Zahl zwischen 0 und 1, die angibt, wie fundiert die Aussage in den bereitgestellten Fundierungsblöcken ist. Nicht verfügbar für Gemini 2.5 und höher.

Nächste Schritte