Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Die Fundierung ist eine Technik, mit der Sie dazu beitragen können, dass Modellantworten vertrauenswürdiger, hilfreicher und faktischer sind. Wenn Sie Antworten von generativen KI-Modellen fundieren, verknüpfen Sie sie mit überprüfbaren Informationsquellen. Um Grounding zu implementieren, müssen Sie in der Regel relevante Quelldaten abrufen. Die empfohlene Best Practice ist die Verwendung der Retrieval-Augmented Generation (RAG). Der Abruf erfolgt in der Regel über eine Suchmaschine, die einen Index verwendet, in den die semantischen Bedeutungen des Quelltexts eingebettet sind.
Es gibt auch Dienste und Komponenten-APIs, die den RAG-Lebenszyklus implementieren, z. B. die Vertex AI Search Builder API, die das Erstellen von Mix-and-Match-Lösungen ermöglicht. Mit der Mix-and-Match-Methode können Sie eine RAG-Lösung mit einem der folgenden Dienste oder APIs implementieren:
API zur Fundierung der Generierung: Mit dieser API können Sie die Fundierung implementieren oder für den gesamten RAG-Lebenszyklus eine Verbindung zu einem Retrieval-Anbieter herstellen.
Parser für Dokumentlayout: Dieser Parser vereint die besten Funktionen von Document AI und Gemini für das Dokumentverständnis. Weitere Informationen zum Layout-Parser finden Sie unter Layout-Parser verwenden.
Vertex AI Vector Search: Dieser Suchdienst ist sehr leistungsstark und verwendet eine hochwertige Vektordatenbank.
Grounding API prüfen: Diese API vergleicht die RAG-Ausgabe mit den abgerufenen Fakten und trägt dazu bei, dass alle Aussagen fundiert sind, bevor die Antwort an den Nutzer zurückgegeben wird.
Antworten mit der Vertex AI RAG Engine fundieren
Wenn Sie Antworten mit der Vertex AI RAG Engine fundieren möchten, müssen Sie einen Prompt erstellen. Gehen Sie dazu so vor:
Rufen Sie in der Google Cloud Console die Seite Prompt erstellen über Vertex AI Studio auf.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-09-04 (UTC)."],[],[],null,["# Ground responses using RAG\n\nGrounding is a technique that you can use to help produce model responses that\nare more trustworthy, helpful, and factual. When you ground generative AI model\nresponses, you connect them to verifiable sources of information. To implement\ngrounding, usually, you must retrieve relevant source data. The\nrecommended best practice is to use the retrieval-augmented generation (RAG)\ntechnique. Retrieval is usually done using a search engine, which uses an index\nthat's embedded with the semantic meanings of the source text.\n\nThere are also services and component APIs that implement the RAG lifecycle,\nsuch as the Vertex AI Search Builder API, which allows for mix-and-match\nbuilding. With mix-and-match building, you can implement a RAG solution using\nany of the following services or APIs:\n\n- **Grounding generation API**: You can use it to implement grounding, or link to a retrieval provider for the complete RAG lifecycle.\n- **Document layout parser** : This parser represents the best of Document AI and Gemini for document understanding. For more information about the layout parser, see [Use the layout parser](/vertex-ai/generative-ai/docs/rag-engine/layout-parser-integration#use-layout-parser).\n- **Vertex AI Vector Search**: This search service is highly performant and uses a high-quality vector database.\n- **Check grounding API**: This API compares RAG output with the retrieved facts and helps to ensure that all statements are grounded before returning the response to the user.\n\nGround responses using Vertex AI RAG Engine\n-------------------------------------------\n\nTo ground responses using Vertex AI RAG Engine, you must create a\nprompt. Do the following:\n\n1. In the Google Cloud console, go to the **Create prompt** page using\n Vertex AI Studio.\n\n [Go to Create prompt](https://console.cloud.google.com/vertex-ai/studio/multimodal)\n2. Select **Grounding: Your data**.\n\n3. Select **RAG Engine** grounding source.\n\n4. From the **Corpus** list, select your corpus name.\n\n5. In the **Top-K Similarity** field, select **20**, which is the default.\n\n6. Click **Save**.\n\nWhat's next\n-----------\n\n- To learn more about responsible AI and safety filters, see [responsible AI best practices and Vertex AI's safety filters](/vertex-ai/generative-ai/docs/learn/responsible-ai).\n- To learn more about how RAG is implemented by RAG Engine, see [RAG Engine](/vertex-ai/generative-ai/docs/rag-overview)."]]
