עיגון באמצעות חיפוש מבוסס סוכנים

בדף הזה מוסבר איך לבסס תשובות באמצעות הנתונים שלכם מ-Agent Search.

איך Gemini מבסס את התשובות שלו על הנתונים שלכם

אם אתם רוצים לבצע יצירת נתונים משולבת אחזור (RAG), אתם יכולים לקשר את המודל לנתונים באתר או לקבוצות המסמכים שלכם, ואז להשתמש בביסוס באמצעות חיפוש מבוסס סוכנים.

אפשר להשתמש בעד 10 מקורות נתונים של Agent Search, ולשלב אותם עם עיגון באמצעות חיפוש Google.

מודלים נתמכים

בקטע הזה מפורטים המודלים שתומכים בביסוס בעזרת הנתונים שלכם.

לחצו כדי להרחיב את רשימת המודלים הנתמכים

דרישות מוקדמות

כדי לבסס את הפלט מהמודל על הנתונים שלכם, אתם צריכים:

  1. נכנסים לדף IAM במסוף Google Cloud ומחפשים את ההרשאה discoveryengine.servingConfigs.search, שנדרשת כדי ששירות ה-grounding יפעל.

    כניסה לדף IAM

    כדי לקבל את ההרשאות שדרושות לשימוש ב-Grounding עם Agent Search, בקשו מהאדמין להקצות לכם את התפקידים הבאים ב-IAM:

    • כדי לקרוא את כל המשאבים של Discovery Engine: צפייה ב-Discovery Engine‏ (roles/discoveryengine.viewer).

    • כדי לקרוא ולכתוב את כל המשאבים של Discovery Engine וליצור מכונה של Agent Search: עריכה של Discovery Engine (roles/discoveryengine.editor).

    למידע נוסף על IAM, קראו את המאמר תפקידים והרשאות ב-IAM.

  2. מפעילים את אפליקציות ה-AI ומפעילים את ה-API.

  3. יוצרים מקור נתונים של אפליקציות AI ואפליקציה.

    מידע נוסף זמין במאמר מבוא לחיפוש מבוסס סוכנים.

הפעלת אפליקציות מבוססות-AI

כדי להשתמש ב"חיפוש מבוסס סוכנים" לצורך ביסוס התשובות, צריך להפעיל את השירות "חיפוש מבוסס סוכנים" לפי השלבים הבאים:

  1. נכנסים לדף AI Applications במסוף Google Cloud .

    לדף "אפליקציות AI"

  2. אופציונלי: קוראים את התנאים לשימוש בנתונים.

אפשר להשתמש ב-AI Applications במיקום global או במספר האזורים eu ו-us. מידע נוסף על מיקומי אפליקציות AI

יצירת מאגר נתונים באפליקציות AI

כדי ליצור מאגר נתונים ב-AI Applications, אתם יכולים לבחור לבסס את הנתונים על אתר או על מסמכים.

אתר

  1. פותחים את הדף Create Data Store במסוף Google Cloud .

  2. בתיבה Website Content, לוחצים על Select.
    מופיע החלונית Specify the websites for your מאגר נתונים.

  3. אם האפשרות Advanced website indexing לא מסומנת, מסמנים אותה כדי להפעיל אותה.
    מופיע החלונית Configure your data store.

  4. בקטע ציון תבניות URL להוספה לאינדקס, מבצעים את הפעולות הבאות:

    • מוסיפים כתובות URL של אתרים להכללה.
    • אופציונלי: מוסיפים כתובות URL של אתרים להחרגה.

  5. לוחצים על Continue.

  6. בחלונית Configure your data store:

    1. בוחרים ערך מהרשימה Location of your data store.
    2. מזינים שם בשדה השם של מאגר הנתונים. המזהה נוצר. משתמשים במזהה הזה כשיוצרים את התשובות המבוססות על מאגר הנתונים. מידע נוסף זמין במאמר יצירת תשובות מבוססות-קרקע באמצעות מאגר הנתונים.
    3. לוחצים על יצירה.

מסמכים

  1. פותחים את הדף Create Data Store במסוף Google Cloud .

  2. בתיבה Cloud Storage, לוחצים על Select.
    מופיע החלונית Import data from Cloud Storage.

  3. בקטע Unstructured documents (PDF, HTML, TXT and more), בוחרים באפשרות Unstructured documents (PDF, HTML, TXT and more).

  4. בוחרים אפשרות לתדירות הסנכרון.

  5. בוחרים באפשרות Select a folder or a file you want to import ומזינים את הנתיב בשדה.

  6. לוחצים על Continue.
    מופיע החלונית Configure your data store.

  7. בחלונית Configure your data store:

    1. בוחרים ערך מהרשימה Location of your data store.
    2. מזינים שם בשדה השם של מאגר הנתונים. המזהה נוצר.
    3. כדי לבחור אפשרויות ניתוח וחלוקה לחלקים של המסמכים, מרחיבים את הקטע Document Processing Options. מידע נוסף על מנתחי מסמכים שונים זמין במאמר ניתוח מסמכים.
    4. לוחצים על יצירה.

  8. לוחצים על יצירה.

יצירת תשובות מעוגנות באמצעות מאגר הנתונים שלכם

כדי לבסס מודל על הנתונים שלכם, פועלים לפי ההוראות הבאות. אפשר להוסיף עד 10 מאגרי נתונים.

אם אתם לא יודעים מהו מזהה מאגר הנתונים שלכם, בצעו את השלבים הבאים:

  1. במסוף Google Cloud , נכנסים לדף AI Applications ובתפריט הניווט לוחצים על מאגרי נתונים.

    כניסה לדף Data stores

  2. לוחצים על השם של מאגר הנתונים.

  3. בדף Data של מאגר הנתונים, מאתרים את המזהה של מאגר הנתונים.

המסוף

כדי לבסס את הפלט מהמודל על Agent Search באמצעות Agent Studio במסוףGoogle Cloud , פועלים לפי השלבים הבאים:

  1. נכנסים לדף Agent Studio במסוף Google Cloud .

    כניסה ל-Agent Studio

  2. כדי להפעיל את ההתבססות על מקורות, פועלים לפי השלבים הבאים:
    1. בחלונית הצדדית, בקטע Model settings, בוחרים את המודל.
    2. עוברים לקטע ביסוס ומפעילים את המתג הנתונים שלך. חלונית ההגדרות מופיעה.
      1. בוחרים אפשרות למקור עיגון מהטבלה הבאה:
        2. אפשרות עיגון תיאור קלט
        RAG Engine מבסס את התשובות על הנתונים שלכם ועל רכיבי עשה זאת בעצמך. אם אין לכם קורפוס, אתם צריכים ליצור אחד. אחרת, מזינים את הקורפוס.
        חיפוש מבוסס סוכנים מבסס את התשובות על הנתונים שלכם באמצעות מנוע חיפוש שמנוהל על ידי Google. מזינים את הנתיב בשדה נתיב מאגר הנתונים של Gemini Enterprise Agent Platform.
        Elasticsearch מבסס את התשובות על Elasticsearch. מזינים את הפרטים הבאים:
        1. מזינים ערך בשדה Elasticsearch endpoint.
        2. מזינים ערך בשדה Elasticsearch API Key.
        3. מזינים ערך בשדה Elasticsearch index.
        4. מזינים ערך בשדה Elasticsearch search template.
      2. לוחצים על Save.
  3. מזינים את ההנחיה בשדה ולוחצים על שליחה. התשובות להנחיות שלכם מבוססות על חיפוש מבוסס סוכנים.

Python

התקנה

pip install --upgrade google-genai

מידע נוסף זמין ב מאמרי העזרה של ה-SDK.

מגדירים משתני סביבה כדי להשתמש ב-Google Gen AI SDK עם Vertex AI: 

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

כדי לבדוק פרומפט טקסטואלי באמצעות Agent Platform API, שולחים בקשת POST לנקודת הקצה של המודל של בעל התוכן הדיגיטלי.

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

  • ‫LOCATION: האזור שבו הבקשה תעובד. כדי להשתמש בנקודת הקצה global, צריך להחריג את המיקום משם נקודת הקצה ולהגדיר את מיקום המשאב ל-global.
  • ‫PROJECT_ID: מזהה הפרויקט. .
  • ‫MODEL_ID: מזהה המודל של המודל המולטי-מודאלי.
  • ‫PROMPT: ההנחיה שתישלח למודל.

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:generateContent

תוכן בקשת JSON: 

{
  "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"
}

כדי לשלוח את הבקשה צריך להרחיב אחת מהאפשרויות הבאות:

אתם אמורים לקבל תגובת JSON שדומה לזו:

{
  "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": {
    "..."
  }
}

הסבר על התשובה

התשובה משני ממשקי ה-API כוללת את הטקסט שנוצר על ידי ה-LLM, שנקרא מועמד. אם ההנחיה למודל מתבססת על מקור הנתונים, התשובות כוללות מטא-נתונים של ביסוס, שמזהים את החלקים בתשובה שמקורם בנתונים שלכם. עם זאת, יש כמה סיבות לכך שהמטא-נתונים האלה לא יסופקו, והתשובה להנחיה לא תהיה מבוססת. למשל, אם המקור לא רלוונטי או שהמידע בתשובה של המודל לא מלא.

פירוט של נתוני הפלט:

  • תפקיד: מציין את השולח של התשובה המבוססת. התשובה תמיד מכילה טקסט מבוסס-קרקע, ולכן התפקיד הוא תמיד model.
  • טקסט: התשובה המבוססת שנוצרה על ידי ה-LLM.
  • מטא-נתונים של ביסוס: מידע על מקור הביסוס, שמכיל את הרכיבים הבאים:
    • חלקי טקסט לביסוס: רשימת תוצאות מהאינדקס שתומכות בתשובה.
    • תמיכה בביסוס: מידע על טענה ספציפית בתשובה שאפשר להשתמש בו כדי להציג ציטוטים:
    • קטע: החלק בתשובה של המודל שמבוסס על קטע מידע מסוים.
    • אינדקס של קטעי נתונים מעוגנים: האינדקס של קטעי הנתונים המעוגנים ברשימת קטעי הנתונים המעוגנים שתואמים לטענה הזו.
    • ציוני מהימנות: מספר מ-0 עד 1 שמציין עד כמה הטענה מבוססת על קבוצת קטעי הטקסט שסופקו לצורך ביסוס. לא זמין ב-Gemini 2.5 ואילך.

המאמרים הבאים