Visão geral do mecanismo RAG na plataforma de agentes do Gemini Enterprise

Os controles de segurança do VPC-SC e a CMEK são compatíveis com o mecanismo RAG da Agent Platform. Os controles de segurança de residência de dados e AXT não são compatíveis.

Se você usar uma instância do Spanner gerenciada pelo mecanismo RAG como um banco de dados vetorial em um local que seja GA, Google Cloud o faturamento será feito para essa instância do Spanner. Para mais informações, consulte Faturamento do mecanismo RAG na Agent Platform do Gemini Enterprise.

Você precisa ser adicionado à lista de permissões para acessar o mecanismo RAG em us-central1, us-east1, us-east4, e europe-west1. Para usuários com projetos atuais, não há impacto. Para usuários com novos projetos, tente outras regiões.

Esta página descreve o que é o mecanismo RAG e como ele funciona.

Descrição	Console
Para saber como usar o SDK da Vertex AI para executar o mecanismo RAG em tarefas da Gemini Enterprise Agent Platform, consulte o guia de início rápido do RAG para Python.	Testar o mecanismo RAG

Visão geral

O mecanismo RAG, um componente da Gemini Enterprise Agent Platform, facilita a geração aumentada por recuperação (RAG). O mecanismo RAG também é um framework de dados para desenvolver aplicativos de modelo de linguagem grande (LLM) ampliados por contexto. A ampliação de contexto ocorre quando você aplica um LLM aos seus dados. Isso implementa a geração de recuperação aumentada (RAG, na sigla em inglês).

Um problema comum com os LLMs é que eles não entendem o conhecimento particular, ou seja, os dados da sua organização. Com o mecanismo RAG, é possível enriquecer o contexto do LLM com mais informações particulares, para que o modelo possa reduzir as alucinações e responder a perguntas com mais precisão.

Ao combinar outras fontes de conhecimento com o conhecimento atual que os LLMs têm, um contexto melhor é fornecido. O contexto aprimorado com a consulta melhora a qualidade da resposta do LLM.

A imagem a seguir ilustra os principais conceitos para entender o mecanismo RAG.

Esses conceitos são listados na ordem do processo de geração aumentada por recuperação (RAG, na sigla em inglês).

1. Ingestão de dados: receba dados de diferentes fontes. Por exemplo, arquivos locais, Cloud Storage e Google Drive.

2. Transformação de dados: conversão dos dados na preparação para indexação. Por exemplo, os dados são particionados.

3. Embedding: representações numéricas de palavras ou partes de texto. Esses números captam o significado semântico e o contexto do texto. Palavras ou textos semelhantes ou relacionados costumam ter embeddings parecidos, o que significa que estão mais próximos no espaço vetorial multidimensional.

4. Indexação de dados: o mecanismo RAG cria um índice chamado corpus. O índice estrutura a base de conhecimento para que seja otimizado para pesquisa. Por exemplo, o índice é como um sumário detalhado de um grande livro de referência.

5. Recuperação: quando um usuário faz uma pergunta ou comando, o componente de recuperação no mecanismo RAG procura as informações relevantes na base de conhecimento.

6. Geração: as informações recuperadas se tornam o contexto adicionado à consulta do usuário original como um guia para que o modelo de IA generativa gere respostas factuais baseadas e relevantes.

Regiões com disponibilidade

O mecanismo RAG é compatível com as seguintes regiões:

Região	Local	Descrição	Etapa do lançamento
us-central1	Iowa	As versões v1 e v1beta1 são compatíveis.	Lista de permissões, GA
us-east4	Virgínia	As versões v1 e v1beta1 são compatíveis.	Lista de permissões, GA
us-east1	Moncks Corner, SC	As versões v1 e v1beta1 são compatíveis.	Lista de permissões, visualização
europe-west3	Frankfurt, Alemanha	As versões v1 e v1beta1 são compatíveis.	GA
europe-west4	Eemshaven, Países Baixos	As versões v1 e v1beta1 são compatíveis.	GA
asia-east1	Taiwan	As versões v1 e v1beta1 são compatíveis.	Visualizar
asia-northeast1	Tóquio	As versões v1 e v1beta1 são compatíveis.	Visualizar
asia-northeast3	Seul	As versões v1 e v1beta1 são compatíveis.	Visualizar
asia-south1	Mumbai	As versões v1 e v1beta1 são compatíveis.	Visualizar
asia-southeast1	Singapura	As versões v1 e v1beta1 são compatíveis.	Visualizar
europe-central2	Varsóvia	As versões v1 e v1beta1 são compatíveis.	Visualizar
europe-north1	Finlândia	As versões v1 e v1beta1 são compatíveis.	Visualizar
europe-southwest1	Madri	As versões v1 e v1beta1 são compatíveis.	Visualizar
europe-west1	Bélgica	As versões v1 e v1beta1 são compatíveis.	Lista de permissões, visualização
europe-west2	Londres	As versões v1 e v1beta1 são compatíveis.	Visualizar
europe-west6	Zurique	As versões v1 e v1beta1 são compatíveis.	Visualizar
europe-west8	Milão	As versões v1 e v1beta1 são compatíveis.	Visualizar
europe-west9	Paris	As versões v1 e v1beta1 são compatíveis.	Visualizar
us-east5	Columbus, OH	As versões v1 e v1beta1 são compatíveis.	Visualizar
us-south1	Dallas, TX	As versões v1 e v1beta1 são compatíveis.	Visualizar
us-west1	Oregon	As versões v1 e v1beta1 são compatíveis.	Visualizar
us-west4	Las Vegas, NV	As versões v1 e v1beta1 são compatíveis.	Visualizar

• us-central1, us-east1, us-east4 e europe-west1 foram alterados para Allowlist. Se você quiser experimentar o mecanismo RAG, tente outras regiões.

Excluir mecanismo RAG

Para mais informações sobre como excluir um mecanismo RAG, consulte o seguinte:

• Parâmetros da API da versão 1 (v1)

• Parâmetros da API v1beta1

A seguir

• Para saber como usar o SDK da Vertex AI para executar o mecanismo RAG em tarefas da Gemini Enterprise Agent Platform, consulte o guia de início rápido do RAG para Python.

• Para aprender mais sobre o embasamento, consulte Visão geral do embasamento.

• Para saber mais sobre as respostas do RAG, consulte GenerateContentResponse.