Modelos compatíveis:
- Gemini 1.0 Pro
- gemini-1.0-pro-001
- gemini-1.0-pro-002
Limitações
- Compatível com dados em inglês.
- O embasamento está disponível apenas para respostas de texto.
Lista de parâmetros
Para ativar o embasamento, especifique um tool
de recuperação na solicitação. As opções são estas:
GoogleSearchRetrieval
: usa dados públicos da Web para embasamento.Retrieval
: usa a Vertex AI para Pesquisa para se conectar a fontes de dados particulares.
GoogleSearchRetrieval
Baseie a resposta com dados públicos. Inclua a ferramenta google_search_retrieval
na solicitação. Nenhum parâmetro adicional é necessário.
Recuperação
Embasamento com dados particulares usando a Vertex AI para Pesquisa. Define uma ferramenta de recuperação que o modelo pode chamar para acessar conhecimento externo.
Parâmetros | |
---|---|
|
Definido para usar fontes de dados com a tecnologia da Vertex AI para Pesquisa. |
VertexAISearch
Extrair do repositório de dados da Vertex AI para Pesquisa para embasamento. Para mais informações, consulte Vertex AI para Pesquisa e Conversação.
Parâmetros | |
---|---|
|
Um ID de recurso de repositório de dados totalmente qualificado para a Vertex AI para Pesquisa. |
Examples
- PROJECT_ID =
PROJECT_ID
- REGION =
us-central1
- MODEL_ID =
gemini-1.0-pro
Resposta empírica em dados públicos da Web
curl
curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ https://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${REGION}/publishers/google/models/${MODEL_ID}:generateContent \ -d '{ "contents": [{ "role": "user", "parts": [{ "text": "What did Lincoln do for fun?" }] }], "tools": [{ "googleSearchRetrieval": {} }] }'
Python
import vertexai from vertexai.generative_models import GenerativeModel, Tool from vertexai.preview import generative_models as preview_generative_models vertexai.init(project=PROJECT_ID, location=REGION) gemini_model = GenerativeModel(MODEL_ID) google_search_tool = Tool.from_google_search_retrieval( google_search_retrieval=preview_generative_models.grounding.GoogleSearchRetrieval() ) model_response = gemini_model.generate_content( "What did Lincoln do for fun?", tools=[google_search_tool] ) print(model_response)
Resposta em base em dados particulares usando a Vertex AI para Pesquisa
Pré-requisitos: primeiro é preciso Criar um repositório de dados de pesquisa .
Defina o caminho do recurso do repositório de dados para a variável DATASTORE
a ser usada neste exemplo.
curl
curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ https://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${REGION}/publishers/google/models/${MODEL_ID}:generateContent \ -d '{ "contents": [{ "role": "user", "parts": [{ "text": "How to make appointment to renew driving license?" }] }], "tools": [{ "retrieval": { "vertexAiSearch": { "datastore": "'${DATASTORE}'" } } }] }'
Python
import vertexai from vertexai.generative_models import GenerativeModel, Tool from vertexai.preview import generative_models as preview_generative_models vertexai.init(project=PROJECT_ID, location=REGION) gemini_model = GenerativeModel(MODEL_ID) vertex_search_tool = Tool.from_retrieval( retrieval=preview_generative_models.grounding.Retrieval( source=preview_generative_models.grounding.VertexAISearch(datastore=DATASTORE), ) ) model_response = gemini_model.generate_content( "How to make appointment to renew driving license?", tools=[vertex_search_tool] ) print(model_response)
Mais informações
Para consultar a documentação detalhada, acesse: