A partire dal 29 aprile 2025, i modelli Gemini 1.5 Pro e Gemini 1.5 Flash non sono disponibili nei progetti che non li hanno mai utilizzati, inclusi i nuovi progetti. Per maggiori dettagli, vedi Versioni e ciclo di vita dei modelli.
Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
La fondatezza è una tecnica che puoi utilizzare per produrre risposte del modello
più affidabili, utili e oggettive. Quando esegui il grounding delle risposte del modello di AI generativa, le colleghi a fonti di informazione verificabili. Per implementare
il grounding, in genere devi recuperare i dati di origine pertinenti. La
best practice consigliata è utilizzare la tecnica di generazione RAG (Retrieval-Augmented Generation). Il recupero viene solitamente eseguito utilizzando un motore di ricerca, che utilizza un indice
incorporato con i significati semantici del testo di origine.
Esistono anche servizi e API dei componenti che implementano il ciclo di vita di RAG,
come l'API Vertex AI Search Builder, che consente la creazione
combinata. Con la creazione combinata, puoi implementare una soluzione RAG utilizzando
uno dei seguenti servizi o API:
API per la generazione di grounding: puoi utilizzarla per implementare il grounding o collegarla
a un fornitore di recupero per l'intero ciclo di vita di RAG.
Parser del layout del documento: questo parser rappresenta il meglio di
Document AI e Gemini per la comprensione dei documenti. Per ulteriori
informazioni sul parser del layout, vedi
Utilizzare il parser del layout.
Vertex AI Vector Search: questo servizio di ricerca è
altamente performante e utilizza un database vettoriale di alta qualità.
API Check Grounding: questa API confronta l'output RAG con i fatti recuperati
e contribuisce a garantire che tutte le affermazioni siano basate su fatti prima di restituire la
risposta all'utente.
Basare le risposte utilizzando Vertex AI RAG Engine
Per eseguire il grounding delle risposte utilizzando il motore RAG di Vertex AI, devi creare un
prompt. Segui questi passaggi:
Nella console Google Cloud , vai alla pagina Crea prompt utilizzando
Vertex AI Studio.
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema è stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Difficile da capire","hardToUnderstand","thumb-down"],["Informazioni o codice di esempio errati","incorrectInformationOrSampleCode","thumb-down"],["Mancano le informazioni o gli esempi di cui ho bisogno","missingTheInformationSamplesINeed","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 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)."]]
