Abruf- und Generierungsausgabe der Vertex AI RAG Engine

Auf dieser Seite werden die Felder in der Ausgabe von Vertex AI RAG Engine beschrieben. Die Ausgabe enthält die folgenden Hauptteile:

• retrieveContexts:Enthält Informationen zu den Textblöcken, die aus Ihren Quelldaten abgerufen wurden.
• generateContent:Enthält die generierte Antwort und Metadaten, die zeigen, wie die Antwort auf den abgerufenen Textblöcken basiert.

retrieveContexts

Die retrieveContexts-Antwort enthält die folgenden Felder.

Felder

Beispielausgabe:

Das folgende Beispiel zeigt das Format der retrieveContexts-Antwort:

contexts {
    source_uri: "gs://sample_folder/hello_world.txt"
    source_display_name: "hello_world.txt"
    text: "Hello World!"
    score: 0.60545359030757784
  }

generateContent

Die meisten Felder, die für die generateContent API definiert sind, finden Sie im Antworttext.

Felder

Das Objekt grounding_metadata enthält die folgenden Felder:

• text: Die von Gemini generierte Antwort.
• grounding_chunks: Eine Liste mit Textblöcken, die von der Vertex AI-RAG-Engine zurückgegeben werden und für die Anfrage relevant sind. Jedes Chunk-Objekt enthält das folgende Feld:
  • retrieved_context: Ein Objekt, das den Textblock enthält, der zum Fundieren der generierten Inhalte verwendet wird. Sie enthält die folgenden Felder:
    • uri: Die source_uri der Originaldaten.
    • title: Die source_display_name der Originaldatei.
    • text: Der Textabschnitt, der zur Fundierung der Gemini-Antwort verwendet wird.
• grounding_supports: Eine Liste, die die Beziehung zwischen Segmenten der generierten Antwort und den Grounding-Chunks beschreibt. Jeder Eintrag enthält die folgenden Felder:
  • segment: Ein Objekt, das ein Segment der generierten Antwort beschreibt, das auf den Quelldaten basiert. Sie enthält die folgenden Felder:
    • start_index: Der Startzeichenindex des fundierten Textsegments. Wird dieses Feld weggelassen, ist der Index 0.
    • end_index: Der Endindex des Fundierungstextsegments.
    • text: Der Text des fundierten Segments.
  • grounding_chunk_indices: Eine Liste von Indexen, die auf die Chunks in grounding_chunks verweisen, die zur Fundierung des Textsegments verwendet werden. Der Index beginnt bei 0. Ein Segment kann auf mehr als einem Chunk basieren.
  • confidence_scores: Eine Liste von Konfidenzwerten. Jeder Wert gibt an, wie stark das Textsegment auf einem entsprechenden Chunk in grounding_chunk_indices basiert. Die maximale Punktzahl beträgt 1.0. Es werden nur Chunks mit einem Konfidenzwert von mindestens 0.6 berücksichtigt.

Beispielausgabe:

Das folgende Beispiel zeigt das Format der generateContent-Antwort mit Fokus auf grounding_metadata:

candidates {
  content {
    role: "model"
    parts {
      text: "The rectangle is red and the background is white. The rectangle appears to be on some type of document editing software. \n"
    }
  }
  grounding_metadata {
    grounding_chunks {
      retrieved_context {
        uri: "a.txt"
        title: "a.txt"
        text: "Okay ,  I  see  a  red  rectangle  on  a  white  background .  It looks like it\'s on some sort of document editing software. It has those small squares and circles around it, indicating that it\'s a selected object ."
      }
    }
    grounding_chunks {
      retrieved_context {
        uri: "b.txt"
        title: "b.txt"
        text: "The  video  is  identical  to  the  last  time  I  described  it .  It shows a blue rectangle on a white background."
      }
    }
    grounding_chunks {
      retrieved_context {
        uri: "c.txt"
        title: "c.txt"
        text: "Okay ,  I  remember  the  rectangle  was  blue  in  the  past  session . Now it is red.\n The  red  rectangle  is  still  there .  It \' s  still  in  the same position on the white background, with the same handles around it. Nothing new is visible since last time.\n You \' re  welcome .  The  red  rectangle  is  still  the  only  thing visible."
      }
    }
    grounding_supports {
      segment {
        end_index: 49
        text: "The rectangle is red and the background is white."
      }
      grounding_chunk_indices: 2
      grounding_chunk_indices: 0
      confidence_scores: 0.958192229
      confidence_scores: 0.992316723
    }
    grounding_supports {
      segment {
        start_index: 50
        end_index: 120
        text: "The rectangle appears to be on some type of document editing software."
      }
      grounding_chunk_indices: 0
      confidence_scores: 0.98374176
    }
  }
}

Nächste Schritte

• Weitere Informationen zum RAG-Kontext in der API-Referenz finden Sie unter Kontext.
• Weitere Informationen zu RAG finden Sie unter Vertex AI RAG Engine – Übersicht.