O mecanismo de RAG da Vertex AI é um componente da plataforma Vertex AI para geração aumentada de recuperação (RAG). Com o mecanismo RAG, os modelos de linguagem grandes (LLMs) podem acessar e usar dados de fontes de conhecimento externas, como documentos e bancos de dados, para gerar respostas mais precisas e informativas.
Este documento fornece informações e exemplos de uso da API RAG Engine e aborda os seguintes tópicos:
- Gerenciamento de corpus:descreve os parâmetros da API para gerenciar corpus e fornece exemplos de como criar, atualizar, listar, receber e excluir um corpus RAG.
- Gerenciamento de arquivos:descreve os parâmetros da API para gerenciar arquivos e fornece exemplos de upload, importação e gerenciamento de arquivos em um corpus RAG.
- Recuperação e geração:descreve os parâmetros da API para recuperar contextos e gerar respostas embasadas, com exemplos.
- Gerenciamento de projetos:explica como configurar as definições no nível do projeto para o mecanismo RAG, com exemplos.
O diagrama a seguir resume o fluxo de trabalho geral para usar a API RAG Engine:
Parâmetros de gerenciamento do corpus
Nesta seção, descrevemos os parâmetros para gerenciar um corpus RAG. Para mais informações, consulte Gerenciamento de corpus.
Criar um corpus RAG
As tabelas a seguir descrevem os parâmetros usados para criar um corpus RAG.
Opções de banco de dados vetorial
Você pode escolher uma das seguintes opções de banco de dados de vetores para seu corpus de RAG.
| Opção de banco de dados de vetores | Descrição | Caso de uso |
|---|---|---|
rag_managed_db |
Um banco de dados vetorial totalmente gerenciado e sem servidor fornecido pela Vertex AI. Essa é a opção padrão. | Recomendado se você quiser uma solução simples e integrada sem gerenciar sua própria infraestrutura de banco de dados de vetores. |
pinecone |
Integração com um banco de dados de vetores do Pinecone autogerenciado. É necessário informar o nome do índice e a chave de API do Pinecone. | Use essa opção se você já tiver uma configuração do Pinecone ou preferir os recursos específicos dele. |
vertex_vector_search |
Integração com a Pesquisa vetorial. Exige o fornecimento dos nomes de recursos do índice e do endpoint do índice. | Use essa opção se precisar de uma solução de pesquisa vetorial escalonável e de alta performance no ecossistema do Google Cloud. |
Corpo da solicitação
| Parâmetros | |
|---|---|
display_name |
Obrigatório: O nome de exibição do corpus de RAG. |
description |
Opcional: A descrição do corpus RAG. |
encryption_spec |
Opcional: imutável: O nome da chave CMEK usada para criptografar dados em repouso relacionados ao corpus de RAG. Essa chave só é aplicável à opção Formato: |
vector_db_config |
Opcional: imutável: A configuração do banco de dados de vetores. Esse campo é um objeto
|
vertex_ai_search_config.serving_config |
Opcional: A configuração da Vertex AI para Pesquisa. Formato: |
rag_embedding_model_config.vertex_prediction_endpoint.endpoint |
Opcional: imutável: O modelo de embedding a ser usado para o corpus RAG. Esse valor não pode ser mudado depois de definido. Se você deixar em branco, text-embedding-005 será usado como o modelo de embedding padrão. |
Atualizar um corpus RAG
Esta tabela lista os parâmetros usados para atualizar um corpus de RAG.
Corpo da solicitação
| Parâmetros | |
|---|---|
display_name |
Opcional: O novo nome de exibição do corpus RAG. |
description |
Opcional: A nova descrição do corpus RAG. |
rag_vector_db.pinecone.index_name |
O nome do índice do Pinecone. É possível definir esse campo se o |
rag_vector_db.vertex_vector_search.index |
O nome do recurso do índice da Pesquisa de vetor. Você pode definir esse campo se o Formato: |
rag_vector_db.vertex_vector_search.index_endpoint |
O nome do recurso do endpoint do índice da Pesquisa de vetor. É possível definir esse campo se o Formato: |
rag_vector_db.api_auth.api_key_config.api_key_secret_version |
O nome completo do recurso do secret no Secret Manager que contém sua chave de API do Pinecone. Formato: |
Listar corpus da RAG
Esta tabela lista os parâmetros usados para listar corpora de RAG.
| Parâmetros | |
|---|---|
|
Opcional: O número máximo de corpora a serem retornados por página. |
|
Opcional: O token de página de lista padrão. Normalmente recebido de |
Acessar um corpus RAG
Esta tabela lista o parâmetro usado para extrair um corpus RAG.
| Parâmetros | |
|---|---|
name |
Obrigatório:
|
Excluir um corpus RAG
Esta tabela lista o parâmetro usado para excluir um corpus RAG.
| Parâmetros | |
|---|---|
name |
Obrigatório: O nome do recurso |
Parâmetros de gerenciamento de arquivos
Nesta seção, descrevemos os parâmetros para gerenciar arquivos em um corpus de RAG. Para mais informações, consulte Gerenciamento de arquivos.
Fazer upload de um arquivo RAG
Esta tabela lista os parâmetros usados para fazer upload de um arquivo RAG.
Corpo da solicitação
| Parâmetros | |
|---|---|
parent |
Obrigatório: O nome do recurso |
rag_file |
Obrigatório: O arquivo a ser enviado. Contém os seguintes campos:
|
upload_rag_file_config |
Obrigatório: A configuração do
|
Importar arquivos RAG
Esta tabela lista os parâmetros usados para importar um arquivo RAG.
| Parâmetros | |
|---|---|
|
Obrigatório:
Formato: |
|
Local do Cloud Storage. Permite importar arquivos individuais e diretórios inteiros do Cloud Storage. |
|
URI do Cloud Storage que contém o arquivo de upload |
|
Local do Google Drive. Suporta a importação de arquivos individuais e pastas do Google Drive. |
|
O canal do Slack em que o arquivo foi enviado. |
|
A consulta do Jira em que o arquivo é enviado. |
|
As fontes do SharePoint em que o arquivo é enviado. |
|
O número de tokens que cada bloco tem. |
|
A sobreposição entre os blocos. |
|
Opcional: Especifica a configuração de análise para Se esse campo não for definido, a RAG vai usar o analisador padrão. |
|
Opcional: O número máximo de consultas por minuto que este job pode fazer para o modelo de embedding especificado no corpus. Esse valor é específico para esse job e não é compartilhado com outros jobs de importação. Consulte a página "Cotas" no projeto para definir um valor adequado. Se não for especificado, um valor padrão de 1.000 QPM será usado. |
GoogleDriveSource |
|
|---|---|
|
Obrigatório: O o ID do recurso do Google Drive. |
|
Obrigatório: O tipo do recurso do Google Drive. |
SlackSource |
|
|---|---|
|
Repetido: Informações do canal do Slack, incluindo ID e período a ser importado. |
|
Obrigatório: O ID do canal do Slack. |
|
Opcional: O carimbo de data/hora inicial das mensagens a serem importadas. |
|
Opcional: O carimbo de data/hora final das mensagens a serem importadas. |
|
Obrigatório: O nome completo do recurso do secret armazenado no Secret Manager,
que contém um token de acesso ao canal do Slack com acesso aos IDs dos canais do Slack.
Formato: |
JiraSource |
|
|---|---|
|
Repetido: Uma lista de projetos do Jira para importar por completo. |
|
Repetido: Uma lista de consultas personalizadas do Jira para importar. Para informações sobre a JQL (linguagem de consulta do Jira), consulte
|
|
Obrigatório: O endereço de e-mail do Jira. |
|
Obrigatório: O URI do servidor do Jira. |
|
Obrigatório: O nome completo do recurso do secret armazenado no Secret Manager,
que contém a chave de API do Jira com acesso aos IDs dos canais do Slack.
Formato: |
SharePointSources |
|
|---|---|
|
O caminho da pasta do SharePoint para fazer o download. |
|
O ID da pasta do SharePoint de onde será feito o download. |
|
O nome da unidade de onde fazer o download. |
|
O ID da unidade de onde fazer o download. |
|
O ID do aplicativo registrado no portal do Microsoft Azure.
|
|
Obrigatório: O nome completo do recurso do secret armazenado no Secret Manager, que contém o secret do aplicativo registrado no Azure. Formato: |
|
Identificador exclusivo da instância do Azure Active Directory. |
|
O nome do site do SharePoint de onde fazer o download. Pode ser o nome ou o ID do site. |
RagFileParsingConfig |
|
|---|---|
|
O analisador de layout a ser usado para |
|
O nome completo do recurso de um processador ou uma versão do processador da Document AI. Formato:
|
|
O número máximo de solicitações que o job pode fazer ao processador da Document AI por minuto. Consulte https://cloud.google.com/document-ai/quotas e a página "Cota" do seu projeto para definir um valor adequado aqui. Se não for especificado, um valor padrão de 120 QPM será usado. |
|
O analisador de LLM a ser usado para |
|
O nome do recurso de um modelo de LLM. Formato:
|
|
O número máximo de solicitações que o job pode fazer para o modelo de LLM por minuto. Para definir um valor adequado para seu projeto, consulte a seção de cota de modelo e a página "Cota" do projeto. Se não for especificado, um valor padrão de 5.000 QPM será usado. |
Acessar um arquivo RAG
Esta tabela lista o parâmetro usado para receber um arquivo RAG.
| Parâmetros | |
|---|---|
name |
Obrigatório:
|
Excluir um arquivo RAG
Esta tabela lista o parâmetro usado para excluir um arquivo RAG.
| Parâmetros | |
|---|---|
name |
Obrigatório: O nome do recurso |
Parâmetros de recuperação e previsão
Esta seção lista os parâmetros de recuperação e previsão.
Parâmetros de recuperação
Esta tabela lista os parâmetros da API retrieveContexts.
| Parâmetros | |
|---|---|
|
Obrigatório: O nome do recurso do local a ser recuperado Formato: |
|
A fonte de dados da Vertex RagStore. |
|
Obrigatório: Consulta única de recuperação de RAG. |
VertexRagStore
VertexRagStore |
|
|---|---|
|
lista: A representação da origem RAG. Ele pode ser usado para especificar apenas o corpus ou |
|
Opcional: Nome do recurso Formato: |
|
lista: Uma lista de recursos Formato: |
RagQuery |
|
|---|---|
|
A consulta em formato de texto para receber contextos relevantes. |
|
Opcional: A configuração de recuperação da consulta. |
RagRetrievalConfig |
|
|---|---|
|
Opcional: O número de contextos a serem recuperados. |
|
Só retorna contextos com uma distância vetorial menor que o limite. |
|
Só retorna contextos com similaridade vetorial maior que o limite. |
|
Opcional: O nome do modelo do serviço de classificação. Exemplo: |
|
Opcional: O nome do modelo usado para classificação. Exemplo: |
Parâmetros de Prediction
Esta tabela lista os parâmetros de previsão.
GenerateContentRequest |
|
|---|---|
|
Definido para usar uma fonte de dados com tecnologia do repositório de RAG da Vertex AI. |
Consulte VertexRagStore para mais detalhes.
Parâmetros de gerenciamento de projetos
Esta tabela lista as configurações de nível do projeto para o banco de dados gerenciado do mecanismo RAG.
| Nível | Descrição | Caso de uso |
|---|---|---|
RagManagedDbConfig.scaled |
Um nível de produção que oferece alto desempenho e recursos de escalonamento automático para seu banco de dados vetorial gerenciado. | Recomendado para aplicativos de produção com cargas de consultas altas ou grandes volumes de dados. |
RagManagedDbConfig.basic |
Um nível de computação baixo e econômico para o banco de dados vetorial gerenciado. | Use para desenvolvimento, testes ou aplicativos de pequena escala com pouco tráfego. |
RagManagedDbConfig.unprovisioned |
Exclui o banco de dados de vetores gerenciado e os recursos dele. Isso desativa efetivamente o banco de dados gerenciado para o projeto. | Use para desativar a infraestrutura de banco de dados gerenciado quando ela não for mais necessária para ajudar a gerenciar os custos. |
Exemplos de gerenciamento de corpus
Nesta seção, apresentamos exemplos de como usar a API para gerenciar seu corpus RAG.
Criar um exemplo de corpus RAG
Estes exemplos de código demonstram como criar um corpus RAG.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- CORPUS_DISPLAY_NAME: o nome de exibição do corpus RAG.
- CORPUS_DESCRIPTION: a descrição do corpus RAG.
Método HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora
Corpo JSON da solicitação:
{
"display_name" : "CORPUS_DISPLAY_NAME",
"description": "CORPUS_DESCRIPTION",
}
Para enviar a solicitação, escolha uma destas opções:
curl
Salve o corpo da solicitação em um arquivo chamado request.json e execute o comando a seguir:
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/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora"
Powershell
Salve o corpo da solicitação em um arquivo chamado request.json e execute o comando a seguir:
$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/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora" | Select-Object -Expand Content
Você receberá um código de status de sucesso (2xx).
O exemplo a seguir demonstra como criar um corpus RAG usando a API REST.
// 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/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora \
-d '{
"display_name" : "CORPUS_DISPLAY_NAME"
}'
Python
Para saber como instalar o SDK da Vertex AI para Python, consulte Instalar o SDK da Vertex AI para Python. Para mais informações, consulte a documentação de referência da API Python.
Atualizar um exemplo de corpus RAG
É possível atualizar o nome de exibição, a descrição e a configuração do banco de dados de vetores de um corpus de RAG. No entanto, não é possível mudar os seguintes parâmetros imutáveis no seu corpus de RAG:
- O tipo de banco de dados de vetores. Por exemplo, não é possível mudar o banco de dados de vetores do Pinecone para a Pesquisa vetorial.
- Se você estiver usando a opção de banco de dados gerenciado, não será possível atualizar a configuração do banco de dados de vetores.
Estes exemplos demonstram como atualizar um corpus RAG.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- CORPUS_ID: o ID do corpus da RAG.
- CORPUS_DISPLAY_NAME: o nome de exibição do corpus RAG.
- CORPUS_DESCRIPTION: a descrição do corpus RAG.
- INDEX_NAME: o nome do recurso do
índice de pesquisa vetorial. Formato:
projects/{project}/locations/{location}/indexes/{index}. - INDEX_ENDPOINT_NAME: o nome do recurso do
endpoint do índice de pesquisa vetorial. Formato:
projects/{project}/locations/{location}/indexEndpoints/{index_endpoint}.
Método HTTP e URL:
PATCH https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/CORPUS_ID
Corpo JSON da solicitação:
{
"display_name" : "CORPUS_DISPLAY_NAME",
"description": "CORPUS_DESCRIPTION",
"vector_db_config": {
"vertex_vector_search": {
"index": "INDEX_NAME",
"index_endpoint": "INDEX_ENDPOINT_NAME",
}
}
}
Para enviar a solicitação, escolha uma destas opções:
curl
Salve o corpo da solicitação em um arquivo chamado request.json e execute o comando a seguir:
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/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/CORPUS_ID"
Powershell
Salve o corpo da solicitação em um arquivo chamado request.json e execute o comando a seguir:
$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/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/CORPUS_ID" | Select-Object -Expand Content
Uma solicitação bem-sucedida retorna um código de status 2xx.
Exemplo de lista de corpora de RAG
Estes exemplos de código demonstram como listar todos os seus corpora RAG.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- PAGE_SIZE: o número máximo de corpora de RAG a serem retornados por página.
- PAGE_TOKEN: um token de página de uma resposta
ListRagCorporaanterior para recuperar a próxima página de resultados.
Método HTTP e URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora?page_size=PAGE_SIZE&page_token=PAGE_TOKEN
Para enviar a solicitação, escolha uma destas opções:
curl
Execute este comando:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora?page_size=PAGE_SIZE&page_token=PAGE_TOKEN"
Powershell
Execute este comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora?page_size=PAGE_SIZE&page_token=PAGE_TOKEN" | Select-Object -Expand Content
Uma solicitação bem-sucedida retorna um código de status 2xx e uma lista de corpora de RAG para o projeto especificado.
Python
Para saber como instalar o SDK da Vertex AI para Python, consulte Instalar o SDK da Vertex AI para Python. Para mais informações, consulte a documentação de referência da API Python.
Acessar um exemplo de corpus RAG
Estes exemplos de código demonstram como receber um corpus RAG.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- RAG_CORPUS_ID: o ID do recurso de corpus RAG.
Método HTTP e URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID
Para enviar a solicitação, escolha uma destas opções:
curl
Execute este comando:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID"
Powershell
Execute este comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID" | Select-Object -Expand Content
Uma resposta bem-sucedida retorna o recurso RagCorpus.
Os comandos get e list são usados em um exemplo para demonstrar como RagCorpus usa o campo rag_embedding_model_config em vector_db_config, que aponta para o modelo de embedding escolhido.
PROJECT_ID: Your project ID.
LOCATION: The region to process the request.
RAG_CORPUS_ID: The corpus ID of your RAG corpus.
```
```sh
// 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/v1/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/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/
```
Python
Para saber como instalar o SDK da Vertex AI para Python, consulte Instalar o SDK da Vertex AI para Python. Para mais informações, consulte a documentação de referência da API Python.
Excluir um exemplo de corpus RAG
Estes exemplos de código demonstram como excluir um corpus RAG.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- RAG_CORPUS_ID: o ID do recurso
RagCorpus.
Método HTTP e URL:
DELETE https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID
Para enviar a solicitação, escolha uma destas opções:
curl
Execute este comando:
curl -X DELETE \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID"
Powershell
Execute este comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method DELETE `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID" | Select-Object -Expand Content
Uma resposta bem-sucedida retornará DeleteOperationMetadata.
Python
Para saber como instalar o SDK da Vertex AI para Python, consulte Instalar o SDK da Vertex AI para Python. Para mais informações, consulte a documentação de referência da API Python.
Exemplos de gerenciamento de arquivos
Nesta seção, apresentamos exemplos de como usar a API para gerenciar arquivos RAG.
Fazer upload de um exemplo de arquivo RAG
Estes exemplos de código demonstram como fazer upload de um arquivo RAG.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- RAG_CORPUS_ID: o ID do corpus da RAG.
- LOCAL_FILE_PATH: o caminho local para o arquivo a ser enviado.
- DISPLAY_NAME: o nome de exibição do arquivo RAG.
- DESCRIPTION: a descrição do arquivo RAG.
Para enviar sua solicitação, use o seguinte comando:
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/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:upload"
Python
Para saber como instalar o SDK da Vertex AI para Python, consulte Instalar o SDK da Vertex AI para Python. Para mais informações, consulte a documentação de referência da API Python.
Exemplo de importação de arquivos RAG
É possível importar arquivos e pastas do Drive ou do Cloud Storage. Use response.metadata para conferir falhas parciais, tempo de solicitação e tempo de resposta no objeto response do SDK.
O campo response.skipped_rag_files_count contém o número de arquivos que
foram ignorados durante a importação. O serviço vai ignorar um arquivo se as seguintes condições forem atendidas:
- O arquivo já foi importado.
- O arquivo não foi alterado.
- A configuração de divisão em blocos do arquivo não foi alterada.
Python
from vertexai import rag
import vertexai
# TODO(developer): Update and un-comment below lines
# PROJECT_ID = "your-project-id"
# corpus_name = "projects/{PROJECT_ID}/locations/us-central1/ragCorpora/{rag_corpus_id}"
# paths = ["https://drive.google.com/file/123", "gs://my_bucket/my_files_dir"] # Supports Cloud Storage and Google Drive Links
# Initialize Vertex AI API once per session
vertexai.init(project=PROJECT_ID, location="us-central1")
response = rag.import_files(
corpus_name=corpus_name,
paths=paths,
transformation_config=rag.TransformationConfig(
rag.ChunkingConfig(chunk_size=1024, chunk_overlap=256)
),
import_result_sink="gs://sample-existing-folder/sample_import_result_unique.ndjson", # Optional: This must be an existing Cloud Storage bucket folder, and the filename must be unique (non-existent).
llm_parser=rag.LlmParserConfig(
model_name="gemini-2.5-pro-preview-05-06",
max_parsing_requests_per_min=100,
), # Optional
max_embedding_requests_per_min=900, # Optional
)
print(f"Imported {response.imported_rag_files_count} files.")
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- RAG_CORPUS_ID: o ID do corpus da RAG.
- FOLDER_RESOURCE_ID: o ID do recurso da sua pasta do Drive.
- GCS_URIS: uma lista de locais do Cloud Storage.
Exemplo:
gs://my-bucket1. - CHUNK_SIZE: número de tokens que cada bloco precisa ter.
- CHUNK_OVERLAP: número de tokens sobrepostos entre blocos.
- EMBEDDING_MODEL_QPM_RATE: a taxa de QPM para limitar o acesso da RAG ao seu modelo de embedding. Exemplo: 1.000.
Método HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import
Corpo JSON da solicitação:
{
"import_rag_files_config": {
"gcs_source": {
"uris": "GCS_URIS"
},
"rag_file_chunking_config": {
"chunk_size": "CHUNK_SIZE",
"chunk_overlap": "CHUNK_OVERLAP"
}
}
}
Para enviar a solicitação, escolha uma destas opções:
curl
Salve o corpo da solicitação em um arquivo chamado request.json e execute o comando a seguir:
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/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import"
Powershell
Salve o corpo da solicitação em um arquivo chamado request.json e execute o comando a seguir:
$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/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import" | Select-Object -Expand Content
Uma resposta bem-sucedida retorna o recurso ImportRagFilesOperationMetadata.
O exemplo a seguir demonstra como importar um arquivo do Cloud Storage. Use o campo de controle max_embedding_requests_per_min para limitar a taxa em que o mecanismo de RAG chama o modelo de embedding durante o processo de indexação ImportRagFiles. O campo tem um valor padrão de 1000 chamadas por minuto.
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- RAG_CORPUS_ID: o ID do corpus da RAG.
- GCS_URIS: uma lista de locais do Cloud Storage.
Exemplo:
gs://my-bucket1. - CHUNK_SIZE: número de tokens que cada bloco precisa ter.
- CHUNK_OVERLAP: número de tokens sobrepostos entre blocos.
- EMBEDDING_MODEL_QPM_RATE: a taxa de QPM para limitar o acesso das RAGs ao seu modelo de embedding. Exemplo: 1.000.
// 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/v1/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
}
}'
O exemplo a seguir demonstra como importar um arquivo do Drive. Use o campo de controle max_embedding_requests_per_min para limitar a taxa em que o mecanismo de RAG chama o modelo de embedding durante o processo de indexação ImportRagFiles. O campo tem um valor padrão de 1000 chamadas por minuto.
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- RAG_CORPUS_ID: o ID do corpus da RAG.
- FOLDER_RESOURCE_ID: o ID do recurso da sua pasta do Drive.
- CHUNK_SIZE: número de tokens que cada bloco precisa ter.
- CHUNK_OVERLAP: número de tokens sobrepostos entre blocos.
- EMBEDDING_MODEL_QPM_RATE: a taxa de QPM para limitar o acesso da RAG ao seu modelo de embedding. Exemplo: 1.000.
// 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/v1/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
}
}'
Exemplo de listagem de arquivos RAG
Estes exemplos de código demonstram como listar arquivos RAG.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- RAG_CORPUS_ID: o ID do recurso
RagCorpus. - PAGE_SIZE: o número máximo de
RagFilesa serem retornados por página. - PAGE_TOKEN: um token de página de uma resposta
ListRagFilesanterior para recuperar a próxima página de resultados.
Método HTTP e URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles?page_size=PAGE_SIZE&page_token=PAGE_TOKEN
Para enviar a solicitação, escolha uma destas opções:
curl
Execute este comando:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles?page_size=PAGE_SIZE&page_token=PAGE_TOKEN"
Powershell
Execute este comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles?page_size=PAGE_SIZE&page_token=PAGE_TOKEN" | Select-Object -Expand Content
Uma solicitação bem-sucedida retorna um código de status 2xx e uma lista de
RagFiles para o RAG_CORPUS_ID especificado.
Python
Para saber como instalar o SDK da Vertex AI para Python, consulte Instalar o SDK da Vertex AI para Python. Para mais informações, consulte a documentação de referência da API Python.
Acessar um exemplo de arquivo RAG
Estes exemplos de código demonstram como obter um arquivo RAG.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- RAG_CORPUS_ID: o ID do recurso
RagCorpus. - RAG_FILE_ID: o ID do recurso
RagFile.
Método HTTP e URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID
Para enviar a solicitação, escolha uma destas opções:
curl
Execute este comando:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID"
Powershell
Execute este comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID" | Select-Object -Expand Content
Uma resposta bem-sucedida retorna o recurso RagFile.
Python
Para saber como instalar o SDK da Vertex AI para Python, consulte Instalar o SDK da Vertex AI para Python. Para mais informações, consulte a documentação de referência da API Python.
Excluir um exemplo de arquivo RAG
Estes exemplos de código demonstram como excluir um arquivo RAG.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID>: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- RAG_CORPUS_ID: o ID do recurso RagCorpus.
- RAG_FILE_ID: o ID do recurso RagFile. Formato:
projects/{project}/locations/{location}/ragCorpora/{rag_corpus}/ragFiles/{rag_file_id}.
Método HTTP e URL:
DELETE https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID
Para enviar a solicitação, escolha uma destas opções:
curl
Execute este comando:
curl -X DELETE \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID"
Powershell
Execute este comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method DELETE `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID" | Select-Object -Expand Content
Uma resposta bem-sucedida retornará DeleteOperationMetadata.
Python
Para saber como instalar o SDK da Vertex AI para Python, consulte Instalar o SDK da Vertex AI para Python. Para mais informações, consulte a documentação de referência da API Python.
Exemplo de consulta de recuperação
Quando você faz uma consulta, o componente de recuperação na RAG pesquisa na base de conhecimento para encontrar informações relevantes.
Python
Para saber como instalar o SDK da Vertex AI para Python, consulte Instalar o SDK da Vertex AI para Python. Para mais informações, consulte a documentação de referência da API Python.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- RAG_CORPUS_RESOURCE: o nome do recurso
RagCorpus. Formato:projects/{project}/locations/{location}/ragCorpora/{rag_corpus}. - VECTOR_DISTANCE_THRESHOLD: somente contextos com uma distância vetorial menor que o limite são retornados.
- TEXT: o texto da consulta para receber contextos relevantes.
- SIMILARITY_TOP_K: o número dos principais contextos a serem recuperados.
Método HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts
Solicitar corpo 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
}
}
curl
Salve o corpo da solicitação em um arquivo chamado request.json e execute o comando a seguir:
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/v1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts"
Powershell
Salve o corpo da solicitação em um arquivo chamado request.json e execute o comando a seguir:
$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/v1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts" | Select-Object -Expand Content
Uma solicitação bem-sucedida retorna um código de status 2xx e uma lista de contextos relacionados.
Exemplo de geração
O LLM gera uma resposta embasada usando os contextos recuperados.
REST
Antes de usar os dados da solicitação, faça as substituições a seguir:
- PROJECT_ID: o ID do projeto.
- LOCATION: a região para processar a solicitação.
- MODEL_ID: modelo LLM para geração de conteúdo. Exemplo:
gemini-2.5-flash. - GENERATION_METHOD: método LLM para geração de conteúdo.
Opções:
generateContent,streamGenerateContent. - INPUT_PROMPT: o texto enviado ao LLM para geração de conteúdo. Tente usar um comando relevante para os arquivos de Rag enviados.
- RAG_CORPUS_RESOURCE: o nome do recurso
RagCorpus. Formato:projects/{project}/locations/{location}/ragCorpora/{rag_corpus}. - SIMILARITY_TOP_K: opcional. O número dos principais contextos a serem recuperados.
- VECTOR_DISTANCE_THRESHOLD (opcional): os contextos com uma distância vetorial menor que o limite são retornados.
- USER: seu nome de usuário.
Método HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD
Corpo JSON da solicitação:
{
"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
}
}
}
}
Para enviar a solicitação, escolha uma destas opções:
curl
Salve o corpo da solicitação em um arquivo chamado request.json e execute o comando a seguir:
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/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD"
Powershell
Salve o corpo da solicitação em um arquivo chamado request.json e execute o comando a seguir:
$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/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD" | Select-Object -Expand Content
Uma resposta bem-sucedida retornará o conteúdo gerado com citações.
Python
Para saber como instalar o SDK da Vertex AI para Python, consulte Instalar o SDK da Vertex AI para Python. Para mais informações, consulte a documentação de referência da API Python.
Exemplos de gerenciamento de projetos
O nível é uma configuração no nível do projeto no recurso RagEngineConfig
que afeta os corpus de RAG que usam RagManagedDb. Para receber a configuração do nível, use GetRagEngineConfig. Para atualizar a configuração de nível, use UpdateRagEngineConfig.
Para mais informações sobre como gerenciar a configuração de níveis, consulte Gerenciar níveis.
Receber configuração do projeto
Os exemplos de código a seguir mostram como ler seu RagEngineConfig:
Console
- No console do Google Cloud , acesse a página RAG Engine.
- Selecione a região em que o mecanismo RAG está sendo executado. Sua lista de corpora de RAG é atualizada.
- Clique em Configurar o mecanismo RAG. O painel Configurar o mecanismo RAG é exibido. É possível conferir o nível selecionado para seu mecanismo RAG.
- Clique em Cancelar.
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/v1/projects/${PROJECT_ID}/locations/${LOCATION}/ragEngineConfig
Atualizar a configuração do projeto
Esta seção fornece exemplos de código para demonstrar como mudar sua configuração para um nível escalonado, básico ou não provisionado.
Atualizar seu RagEngineConfig para o nível escalonado
Os exemplos de código a seguir mostram como definir o RagEngineConfig como o nível
escalonado:
Console
- No console do Google Cloud , acesse a página RAG Engine.
- Selecione a região em que o mecanismo RAG está sendo executado. Sua lista de corpora de RAG é atualizada.
- Clique em Configurar o mecanismo RAG. O painel Configurar o mecanismo RAG é exibido.
- Selecione o nível em que você quer executar o mecanismo RAG.
- Clique em Salvar.
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/v1/projects/${PROJECT_ID}/locations/${LOCATION}/ragEngineConfig -d "{'ragManagedDbConfig': {'scaled': {}}}"
Atualizar seu RagEngineConfig para o nível Basic
Os exemplos de código a seguir mostram como definir o RagEngineConfig para o
nível básico:
Console
- No console do Google Cloud , acesse a página RAG Engine.
- Selecione a região em que o mecanismo RAG está sendo executado. Sua lista de corpora de RAG é atualizada.
- Clique em Configurar o mecanismo RAG. O painel Configurar o mecanismo RAG é exibido.
- Selecione o nível em que você quer executar o mecanismo RAG.
- Clique em Salvar.
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/v1/projects/${PROJECT_ID}/locations/${LOCATION}/ragEngineConfig -d "{'ragManagedDbConfig': {'basic': {}}}"
Atualize seu RagEngineConfig para o nível não provisionado
Os exemplos de código a seguir mostram como definir o RagEngineConfig como o nível
não provisionado:
Console
- No console do Google Cloud , acesse a página RAG Engine.
- Selecione a região em que o mecanismo RAG está sendo executado. Sua lista de corpora de RAG é atualizada.
- Clique em Configurar o mecanismo RAG. O painel Configurar o mecanismo RAG é exibido.
- Clique em Excluir mecanismo RAG. Uma caixa de diálogo de confirmação é exibida.
- Verifique se você está prestes a excluir seus dados no RAG Engine digitando delete e clique em Confirmar.
- Clique em Salvar.
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/v1/projects/${PROJECT_ID}/locations/${LOCATION}/ragEngineConfig -d "{'ragManagedDbConfig': {'unprovisioned': {}}}"
A seguir
- Para saber mais sobre os modelos de geração aceitos, consulte Modelos de IA generativa que oferecem suporte à RAG.
- Para saber mais sobre os modelos de embedding aceitos, consulte Modelos de embedding.
- Para saber mais sobre modelos abertos, consulte Modelos abertos.
- Para saber mais sobre o mecanismo RAG, consulte Visão geral do mecanismo RAG.