Fundierung mit Agent Search

Website

1. Öffnen Sie in der Cloud de Confiance Console die Seite Create Data Store.

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

3. Wenn Erweiterte Websiteindexierung nicht ausgewählt ist, aktivieren Sie das Kästchen Erweiterte Websiteindexierung.
   Datenspeicher konfigurieren Bereich wird angezeigt.

4. Führen Sie im Abschnitt URL-Muster für die Indexierung angeben folgende Schritte aus:

   • Fügen Sie URLs für Websites zum Einschließen hinzu.
   • Optional: Fügen Sie URLs für Websites zum Ausschließen 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 einen Namen in das Feld Name des Datenspeichers ein. Die ID wird generiert. Verwenden Sie diese ID, wenn Sie Ihre fundierten 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 Cloud de Confiance Console die Seite Create Data Store.

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

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

4. Wählen Sie eine Option für die Synchronisierungshäufigkeit aus.

5. Wählen Sie eine Option für Ordner oder Datei zum Importieren 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 einen Namen in das Feld Name des Datenspeichers ein. Die ID wird generiert.
   3. Wenn Sie Optionen für das Parsen und Aufteilen in Blöcke für Ihre Dokumente auswählen möchten, maximieren Sie den Abschnitt Optionen für die Dokumentverarbeitung. Weitere Informationen zu verschiedenen Parsern finden Sie unter Dokumente parsen.
   4. Klicken Sie auf Erstellen.

8. Klicken Sie auf Erstellen.

Console

Führen Sie die folgenden Schritte aus, um Ihre Modellausgabe in KI-Anwendungen zu fundieren. Dazu nutzen Sie Agent Studio in der Cloud de Confiance Console:

1. Rufen Sie in der Cloud de Confiance 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. Rufen Sie den Abschnitt Fundierung auf und aktivieren Sie die Option Ihre Daten. Der Konfigurationsbereich wird angezeigt.
   1. Wählen Sie in der folgenden Tabelle eine Option für die Fundierungsquelle aus:

   Fundierungsoption	Beschreibung	Eingabe
   RAG Engine	Fundierung mit Ihren Daten und DIY-Komponenten.	Wenn Sie keinen Korpus haben, müssen Sie einen erstellen. Andernfalls geben Sie Ihren Korpus ein.
   Agentensuche	Fundierung mit Ihren Daten und einer S3NS-verwalteten Suchmaschine.	Geben Sie den Pfad in das Feld Pfad zum Datenspeicher der Gemini Enterprise Agent Platform ein.
   Elasticsearch	Fundierung mit Elasticsearch.	Geben Sie die folgenden Informationen ein: Geben Sie einen Wert in das Feld Elasticsearch-Endpunkt ein. Geben Sie einen Wert in das Feld Elasticsearch API-Schlüssel ein. Geben Sie einen Wert in das Feld Elasticsearch-Index ein. Geben Sie einen Wert in das Feld Elasticsearch-Suchvorlage ein.

   2. Klicken Sie auf Speichern.
3. Geben Sie Ihren Prompt in das Textfeld ein und klicken Sie auf Senden. Ihre Prompt-Antworten werden in KI-Anwendungen 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 folgende Werte in den 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 der Anfrage:

{
  "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:

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:generateContent"

$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:generateContent" | Select-Object -Expand Content

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": {
    "..."
  }
}