El motor de RAG de Vertex AI es un componente de la plataforma de Vertex AI que facilita la generación mejorada por recuperación (RAG). RAG Engine permite que los modelos de lenguaje grandes (LLM) accedan a datos de fuentes de conocimiento externas, como documentos y bases de datos, y los incorporen. Con la RAG, los LLMs pueden generar respuestas más informativas y precisas.
Lista de parámetros
En esta sección, se enumeran los siguientes elementos:
| Parámetros | Ejemplos |
|---|---|
| Consulta Parámetros de administración del corpus. | Consulta Ejemplos de administración de corpus. |
| Consulta Parámetros de administración de archivos. | Consulta Ejemplos de administración de archivos. |
| Consulta Parámetros de administración de proyectos. | Consulta Ejemplos de administración de proyectos. |
Parámetros de administración de corpus
Para obtener información sobre un corpus de RAG, consulta Administración de corpus.
Crea un corpus RAG
En esta tabla, se enumeran los parámetros que se usan para crear un corpus RAG.
Cuerpo de la solicitud
| Parámetros | |
|---|---|
|
Obligatorio: Es el nombre visible del corpus de RAG. |
|
Opcional: Es la descripción del corpus de RAG. |
|
Opcional: Inmutable: El nombre de la clave de CMEK se usa para encriptar los datos en reposo relacionados con el corpus de RAG. El nombre de la clave solo se aplica a la opción Formato: |
|
Opcional: Inmutable: Es la configuración de las bases de datos vectoriales. |
|
Opcional: Es la configuración de Vertex AI Search. Formato: |
vectorDbConfig
| Parámetros | |
|---|---|
|
Si no se especifica ninguna base de datos de vectores, |
|
Especifica tu instancia de Pinecone. |
|
Este es el nombre que se usa para crear el índice de Pinecone que se usa con el corpus de RAG. Este valor no se puede cambiar después de establecerlo. Puedes dejarlo vacío en la llamada a la API de |
|
Especifica tu instancia de Vertex Vector Search. |
|
Es el nombre del recurso del índice de Vector Search que se usa con el corpus de RAG. Formato: Este valor no se puede cambiar después de establecerlo. Puedes dejarlo vacío en la llamada a la API de |
|
Es el nombre del recurso del extremo del índice de la Búsqueda de vectores que se usa con el corpus de RAG. Formato: Este valor no se puede cambiar después de establecerlo. Puedes dejarlo vacío en la llamada a la API de |
|
Es el nombre completo del recurso del secreto que se almacena en Secret Manager y que contiene tu clave de API de Pinecone. Formato: Puedes dejarlo vacío en la llamada a la API de |
|
Opcional: Inmutable: Es el modelo de incorporación que se usará para el corpus de RAG. Este valor no se puede cambiar después de establecerlo. Si lo dejas vacío, usaremos text-embedding-005 como modelo de embedding. |
Actualiza un corpus de RAG
En esta tabla, se enumeran los parámetros que se usan para actualizar un corpus de RAG.
Cuerpo de la solicitud
| Parámetros | |
|---|---|
|
Opcional: Es el nombre visible del corpus de RAG. |
|
Opcional: Es la descripción del corpus de RAG. |
|
Este es el nombre que se usa para crear el índice de Pinecone que se usa con el corpus de RAG. Si tu |
|
Es el nombre del recurso del índice de Vector Search que se usa con el corpus de RAG. Formato: Si tu |
|
Es el nombre del recurso del extremo del índice de la Búsqueda de vectores que se usa con el corpus de RAG. Formato: Si tu |
|
Es el nombre completo del recurso del secreto que se almacena en Secret Manager y que contiene tu clave de API de Pinecone. Formato: |
Enumera los corpus de RAG
En esta tabla, se enumeran los parámetros que se usan para enumerar los corpus RAG.
| Parámetros | |
|---|---|
|
Opcional: El tamaño de página de lista estándar. |
|
Opcional: El token de página de lista estándar. Por lo general, se obtiene de |
Obtén un corpus de RAG
En esta tabla, se enumeran los parámetros que se usan para obtener un corpus RAG.
| Parámetros | |
|---|---|
|
|
Borra un corpus de RAG
En esta tabla, se enumeran los parámetros que se usan para borrar un corpus de RAG.
| Parámetros | |
|---|---|
|
|
Parámetros de administración de archivos
Para obtener información sobre un archivo RAG, consulta Administración de archivos.
Sube un archivo RAG
En esta tabla, se enumeran los parámetros que se usan para subir un archivo de RAG.
Cuerpo de la solicitud
| Parámetros | |
|---|---|
|
|
|
Obligatorio: Es el archivo que se subirá. |
|
Obligatorio: Es la configuración del |
RagFile |
|
|---|---|
|
Obligatorio: Es el nombre visible del archivo RAG. |
|
Opcional: Es la descripción del archivo RAG. |
UploadRagFileConfig |
|
|---|---|
|
Cantidad de tokens que tiene cada fragmento. |
|
Es la superposición entre fragmentos. |
Importar archivos RAG
En esta tabla, se enumeran los parámetros que se usan para importar un archivo de RAG.
| Parámetros | |
|---|---|
|
Obligatorio:
Formato: |
|
Ubicación de Cloud Storage. Admite la importación de archivos individuales y de directorios completos de Cloud Storage. |
|
URI de Cloud Storage que contiene el archivo de carga. |
|
Ubicación de Google Drive. Admite la importación de archivos individuales y carpetas de Google Drive. |
|
Es el canal de Slack en el que se subió el archivo. |
|
Es la consulta de Jira en la que se sube el archivo. |
|
Son las fuentes de SharePoint en las que se subió el archivo. |
|
Cantidad de tokens que tiene cada fragmento. |
|
Es la superposición entre fragmentos. |
|
Opcional: Especifica la configuración del análisis para Si no se configura este campo, el RAG usa el analizador predeterminado. |
|
Opcional: Es la cantidad máxima de consultas por minuto que este trabajo puede realizar al modelo de embedding especificado en el corpus. Este valor es específico de este trabajo y no se comparte con otros trabajos de importación. Consulta la página Cuotas del proyecto para establecer un valor adecuado. Si no se especifica, se usa un valor predeterminado de 1,000 QPM. |
GoogleDriveSource |
|
|---|---|
|
Obligatorio: El ID del recurso de Google Drive. |
|
Obligatorio: El tipo de recurso de Google Drive. |
SlackSource |
|
|---|---|
|
Repetido: Información del canal de Slack, incluido el ID y el período que se importará. |
|
Obligatorio: Es el ID del canal de Slack. |
|
Opcional: Es la marca de tiempo inicial de los mensajes que se importarán. |
|
Opcional: Es la marca de tiempo final de los mensajes que se importarán. |
|
Obligatorio: Es el nombre completo del recurso del secreto que se almacena en Secret Manager y que contiene un token de acceso al canal de Slack que tiene acceso a los IDs de los canales de Slack.
Formato: |
JiraSource |
|
|---|---|
|
Repetido: Es una lista de proyectos de Jira que se importarán en su totalidad. |
|
Repetido: Es una lista de consultas personalizadas de Jira que se importarán. Para obtener información sobre JQL (Jira Query Language), consulta |
|
Obligatorio: La dirección de correo electrónico de Jira. |
|
Obligatorio: Es el URI del servidor de Jira. |
|
Obligatorio: Es el nombre completo del recurso del secreto que se almacena en Secret Manager y que contiene la clave de API de Jira que tiene acceso a los IDs de los canales de Slack.
Formato: |
SharePointSources |
|
|---|---|
|
Es la ruta de acceso de la carpeta de SharePoint desde la que se realizará la descarga. |
|
ID de la carpeta de SharePoint desde la que se realizará la descarga. |
|
Nombre de la unidad desde la que se realizará la descarga. |
|
ID de la unidad desde la que se realizará la descarga. |
|
Es el ID de la aplicación registrada en el portal de Microsoft Azure.
|
|
Obligatorio: Es el nombre completo del recurso del secreto que se almacena en Secret Manager y que contiene el secreto de la aplicación registrada en Azure. Formato: |
|
Es el identificador único de la instancia de Azure Active Directory. |
|
Nombre del sitio de SharePoint desde el que se realizará la descarga. Puede ser el nombre o el ID del sitio. |
RagFileParsingConfig |
|
|---|---|
|
Es el analizador de diseño que se usará para los |
|
Es el nombre completo del recurso de un procesador o una versión del procesador de Document AI. Formato:
|
|
Es la cantidad máxima de solicitudes que el trabajo puede realizar al procesador de Document AI por minuto. Consulta https://cloud.google.com/document-ai/quotas y la página Cuota de tu proyecto para establecer un valor adecuado aquí. Si no se especifica, se usa un valor predeterminado de 120 QPM. |
|
Es el analizador de LLM que se usará para los |
|
Es el nombre del recurso de un modelo de LLM. Formato:
|
|
Es la cantidad máxima de solicitudes que el trabajo puede realizar al modelo de LLM por minuto. Para establecer un valor adecuado para tu proyecto, consulta la sección de cuotas del modelo y la página Cuotas de tu proyecto para establecer un valor adecuado aquí. Si no se especifica, se usa un valor predeterminado de 5,000 QPM. |
Obtén un archivo RAG
En esta tabla, se enumeran los parámetros que se usan para obtener un archivo RAG.
| Parámetros | |
|---|---|
|
|
Borra un archivo RAG
En esta tabla, se enumeran los parámetros que se usan para borrar un archivo RAG.
| Parámetros | |
|---|---|
|
|
Parámetros de recuperación y predicción
En esta sección, se enumeran los parámetros de recuperación y predicción.
Parámetros de recuperación
En esta tabla, se enumeran los parámetros de la API de retrieveContexts.
| Parámetros | |
|---|---|
|
Obligatorio: Es el nombre del recurso de la ubicación que se recuperará Formato: |
|
Es la fuente de datos de Vertex RagStore. |
|
Obligatorio: Es una sola consulta de recuperación de RAG. |
VertexRagStore
VertexRagStore |
|
|---|---|
|
lista: Es la representación de la fuente de RAG. Se puede usar para especificar solo el corpus o los |
|
Opcional: Nombre del recurso Formato: |
|
lista: Es una lista de recursos Formato: |
RagQuery |
|
|---|---|
|
Es la consulta en formato de texto para obtener contextos relevantes. |
|
Opcional: Es la configuración de recuperación para la búsqueda. |
RagRetrievalConfig |
|
|---|---|
|
Opcional: Es la cantidad de contextos que se recuperarán. |
|
Solo se devuelven los contextos con una distancia de vector menor que el umbral. |
|
Solo se devuelven los contextos con una similitud de vector mayor que el umbral. |
|
Opcional: Es el nombre del modelo del servicio de clasificación. Ejemplo: |
|
Opcional: Es el nombre del modelo que se usa para la clasificación. Ejemplo: |
Parámetros de predicción
En esta tabla, se enumeran los parámetros de predicción.
GenerateContentRequest |
|
|---|---|
|
Se configura para usar una fuente de datos potenciada por el almacén de RAG de Vertex AI. |
Consulta VertexRagStore para obtener más detalles.
Parámetros de administración de proyectos
En esta tabla, se enumeran los parámetros a nivel del proyecto.
RagEngineConfig
| Parámetros | |
|---|---|
RagManagedDbConfig.scaled |
Este nivel ofrece rendimiento a escala de producción junto con la funcionalidad de ajuste de escala automático. |
RagManagedDbConfig.basic |
Este nivel ofrece un nivel de procesamiento rentable y bajo. |
RagManagedDbConfig.unprovisioned |
Este nivel borra el RagManagedDb y su instancia subyacente de Spanner. |
Ejemplos de administración de corpus
En esta sección, se proporcionan ejemplos de cómo usar la API para administrar tu corpus de RAG.
Crea un ejemplo de corpus de RAG
En estas muestras de código, se muestra cómo crear un corpus de RAG.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- CORPUS_DISPLAY_NAME: Es el nombre visible del corpus de RAG.
- CORPUS_DESCRIPTION: Es la descripción del corpus de RAG.
Método HTTP y URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora
Cuerpo JSON de la solicitud:
{
"display_name" : "CORPUS_DISPLAY_NAME",
"description": "CORPUS_DESCRIPTION",
}
Para enviar tu solicitud, elige una de estas opciones:
curl
Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:
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
Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:
$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
Deberías recibir un código de estado correcto (2xx).
En el siguiente ejemplo, se muestra cómo crear un corpus RAG mediante la API de 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
Si deseas obtener información para instalar o actualizar el SDK de Vertex AI para Python, consulta Instala el SDK de Vertex AI para Python. Para obtener más información, consulta la documentación de referencia de la API de Python.
Actualiza un ejemplo de corpus de RAG
Puedes actualizar tu corpus de RAG con un nuevo nombre visible, una nueva descripción y una nueva configuración de la base de datos de vectores. Sin embargo, no puedes cambiar los siguientes parámetros en tu corpus de RAG:
- Es el tipo de base de datos vectorial. Por ejemplo, no puedes cambiar la base de datos de vectores de Weaviate a Vertex AI Feature Store.
- Si usas la opción de base de datos administrada, no puedes actualizar la configuración de la base de datos de vectores.
En estos ejemplos, se muestra cómo actualizar un corpus RAG.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- CORPUS_ID: Es el ID del corpus de tu corpus de RAG.
- CORPUS_DISPLAY_NAME: Es el nombre visible del corpus de RAG.
- CORPUS_DESCRIPTION: Es la descripción del corpus de RAG.
- INDEX_NAME: Es el nombre del recurso del índice de búsqueda de vectores. Formato:
projects/{project}/locations/{location}/indexes/{index}. - INDEX_ENDPOINT_NAME: Es el nombre del recurso del extremo del índice de Vector Search. Formato:
projects/{project}/locations/{location}/indexEndpoints/{index_endpoint}.
Método HTTP y URL:
PATCH https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/CORPUS_ID
Cuerpo JSON de la solicitud:
{
"display_name" : "CORPUS_DISPLAY_NAME",
"description": "CORPUS_DESCRIPTION",
"vector_db_config": {
"vertex_vector_search": {
"index": "INDEX_NAME",
"index_endpoint": "INDEX_ENDPOINT_NAME",
}
}
}
Para enviar tu solicitud, elige una de estas opciones:
curl
Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:
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
Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:
$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
Deberías recibir un código de estado correcto (2xx).
Ejemplo de lista de corpus de RAG
En estas muestras de código, se muestra cómo enumerar todos los corpus de RAG.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- PAGE_SIZE: Es el tamaño de página de lista estándar. Puedes ajustar la cantidad de corpus de RAG que se muestran por página si actualizas el parámetro
page_size. - PAGE_TOKEN: Es el token de página de lista estándar. Se obtiene normalmente con
ListRagCorporaResponse.next_page_tokende la llamadaVertexRagDataService.ListRagCorporaanterior.
Método HTTP y URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora?page_size=PAGE_SIZE&page_token=PAGE_TOKEN
Para enviar tu solicitud, elige una de estas opciones:
curl
Ejecuta el siguiente 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
Ejecuta el siguiente 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
Deberías recibir un código de estado exitoso (2xx) y una lista de corpus de RAG en el PROJECT_ID determinado.
Python
Si deseas obtener información para instalar o actualizar el SDK de Vertex AI para Python, consulta Instala el SDK de Vertex AI para Python. Para obtener más información, consulta la documentación de referencia de la API de Python.
Obtén un ejemplo de corpus de RAG
En estas muestras de código, se muestra cómo obtener un corpus de RAG.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- RAG_CORPUS_ID: Es el ID del recurso del corpus de RAG.
Método HTTP y URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID
Para enviar tu solicitud, elige una de estas opciones:
curl
Ejecuta el siguiente 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
Ejecuta el siguiente 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
Una respuesta correcta muestra el recurso RagCorpus.
Los comandos get y list se utilizan en un ejemplo para demostrar cómo RagCorpus usa el campo rag_embedding_model_config con vector_db_config, que apunta al modelo de incorporación que elegiste.
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
Si deseas obtener información para instalar o actualizar el SDK de Vertex AI para Python, consulta Instala el SDK de Vertex AI para Python. Para obtener más información, consulta la documentación de referencia de la API de Python.
Ejemplo de eliminación de un corpus de RAG
En estas muestras de código, se muestra cómo borrar un corpus de RAG.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- RAG_CORPUS_ID: Es el ID del recurso
RagCorpus.
Método HTTP y URL:
DELETE https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID
Para enviar tu solicitud, elige una de estas opciones:
curl
Ejecuta el siguiente 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
Ejecuta el siguiente 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
Una respuesta correcta muestra el DeleteOperationMetadata.
Python
Si deseas obtener información para instalar o actualizar el SDK de Vertex AI para Python, consulta Instala el SDK de Vertex AI para Python. Para obtener más información, consulta la documentación de referencia de la API de Python.
Ejemplos de administración de archivos
En esta sección, se proporcionan ejemplos de cómo usar la API para administrar archivos RAG.
Ejemplo de carga de un archivo RAG
En estas muestras de código, se muestra cómo subir un archivo RAG.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- RAG_CORPUS_ID: Es el ID del corpus de tu corpus de RAG.
- LOCAL_FILE_PATH: Es la ruta de acceso local al archivo que se subirá.
- DISPLAY_NAME: Es el nombre visible del archivo de RAG.
- DESCRIPTION: Es la descripción del archivo de RAG.
Para enviar tu solicitud, usa el siguiente 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
Si deseas obtener información para instalar o actualizar el SDK de Vertex AI para Python, consulta Instala el SDK de Vertex AI para Python. Para obtener más información, consulta la documentación de referencia de la API de Python.
Ejemplo de importación de archivos RAG
Los archivos y las carpetas se pueden importar desde Drive o Cloud Storage. Puedes usar response.metadata para ver las fallas parciales, el tiempo de solicitud y el tiempo de respuesta en el objeto response del SDK.
response.skipped_rag_files_count hace referencia a la cantidad de archivos que se omitieron durante la importación. Se omite un archivo cuando se cumplen las siguientes condiciones:
- El archivo ya se importó.
- El archivo no cambió.
- La configuración de fragmentación del archivo no cambió.
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 cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- RAG_CORPUS_ID: Es el ID del corpus de tu corpus de RAG.
- FOLDER_RESOURCE_ID: Es el ID de recurso de tu carpeta de Drive.
- GCS_URIS: Es una lista de ubicaciones de Cloud Storage.
Ejemplo:
gs://my-bucket1. - CHUNK_SIZE: Cantidad de tokens que debe tener cada fragmento.
- CHUNK_OVERLAP: Cantidad de tokens que se superponen entre los fragmentos.
- EMBEDDING_MODEL_QPM_RATE: Es la tasa de QPM para limitar el acceso de RAG a tu modelo de incorporación. Ejemplo: 1,000.
Método HTTP y URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import
Cuerpo JSON de la solicitud:
{
"import_rag_files_config": {
"gcs_source": {
"uris": "GCS_URIS"
},
"rag_file_chunking_config": {
"chunk_size": "CHUNK_SIZE",
"chunk_overlap": "CHUNK_OVERLAP"
}
}
}
Para enviar tu solicitud, elige una de estas opciones:
curl
Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:
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
Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:
$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
Una respuesta correcta muestra el recurso ImportRagFilesOperationMetadata.
En el siguiente ejemplo, se muestra cómo importar un archivo desde Cloud Storage. Usa el campo de control max_embedding_requests_per_min para limitar la velocidad a la que RAG Engine llama al modelo de incorporación durante el proceso de indexación ImportRagFiles. El campo tiene un valor predeterminado de 1000 llamadas por minuto.
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- RAG_CORPUS_ID: Es el ID del corpus de tu corpus de RAG.
- GCS_URIS: Es una lista de ubicaciones de Cloud Storage.
Ejemplo:
gs://my-bucket1. - CHUNK_SIZE: Cantidad de tokens que debe tener cada fragmento.
- CHUNK_OVERLAP: Cantidad de tokens que se superponen entre los fragmentos.
- EMBEDDING_MODEL_QPM_RATE: Es la tasa de QPM para limitar el acceso de los RAG a tu modelo de incorporación. Ejemplo: 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
}
}'
En el siguiente ejemplo, se muestra cómo importar un archivo de Drive. Usa el campo de control max_embedding_requests_per_min para limitar la velocidad a la que RAG Engine llama al modelo de incorporación durante el proceso de indexación ImportRagFiles. El campo tiene un valor predeterminado de 1000 llamadas por minuto.
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- RAG_CORPUS_ID: Es el ID del corpus de tu corpus de RAG.
- FOLDER_RESOURCE_ID: Es el ID de recurso de tu carpeta de Drive.
- CHUNK_SIZE: Cantidad de tokens que debe tener cada fragmento.
- CHUNK_OVERLAP: Cantidad de tokens que se superponen entre los fragmentos.
- EMBEDDING_MODEL_QPM_RATE: Es la tasa de QPM para limitar el acceso de RAG a tu modelo de incorporación. Ejemplo: 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
}
}'
Ejemplo de lista de archivos RAG
En estos ejemplos de código, se muestra cómo enumerar archivos RAG.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- RAG_CORPUS_ID: Es el ID del recurso
RagCorpus. - PAGE_SIZE: Es el tamaño de página de lista estándar. Puedes ajustar la cantidad de
RagFilesque se muestran por página si actualizas el parámetro page_size. - PAGE_TOKEN: Es el token de página de lista estándar. Se obtiene con
ListRagFilesResponse.next_page_tokende la llamadaVertexRagDataService.ListRagFilesanterior.
Método HTTP y 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 tu solicitud, elige una de estas opciones:
curl
Ejecuta el siguiente 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
Ejecuta el siguiente 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
Deberías recibir un código de estado exitoso (2xx) junto con una lista de RagFiles en el RAG_CORPUS_ID determinado.
Python
Si deseas obtener información para instalar o actualizar el SDK de Vertex AI para Python, consulta Instala el SDK de Vertex AI para Python. Para obtener más información, consulta la documentación de referencia de la API de Python.
Obtén un ejemplo de archivo RAG
En estas muestras de código, se muestra cómo obtener un archivo RAG.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- RAG_CORPUS_ID: Es el ID del recurso
RagCorpus. - RAG_FILE_ID: Es el ID del recurso
RagFile.
Método HTTP y URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID
Para enviar tu solicitud, elige una de estas opciones:
curl
Ejecuta el siguiente 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
Ejecuta el siguiente 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
Una respuesta correcta muestra el recurso RagFile.
Python
Si deseas obtener información para instalar o actualizar el SDK de Vertex AI para Python, consulta Instala el SDK de Vertex AI para Python. Para obtener más información, consulta la documentación de referencia de la API de Python.
Ejemplo de borrado de un archivo RAG
En estas muestras de código, se muestra cómo borrar un archivo RAG.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID>: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- RAG_CORPUS_ID: Es el ID del recurso RagCorpus.
- RAG_FILE_ID: Es el ID del recurso RagFile. Formato:
projects/{project}/locations/{location}/ragCorpora/{rag_corpus}/ragFiles/{rag_file_id}.
Método HTTP y URL:
DELETE https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID
Para enviar tu solicitud, elige una de estas opciones:
curl
Ejecuta el siguiente 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
Ejecuta el siguiente 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
Python
Si deseas obtener información para instalar o actualizar el SDK de Vertex AI para Python, consulta Instala el SDK de Vertex AI para Python. Para obtener más información, consulta la documentación de referencia de la API de Python.
Ejemplo de consulta de recuperación
Cuando un usuario hace una pregunta o proporciona una instrucción, el componente de recuperación en RAG busca en su base de conocimiento la información relevante para la consulta.
Python
Si deseas obtener información para instalar o actualizar el SDK de Vertex AI para Python, consulta Instala el SDK de Vertex AI para Python. Para obtener más información, consulta la documentación de referencia de la API de Python.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- RAG_CORPUS_RESOURCE: Es el nombre del recurso
RagCorpus. Formato:projects/{project}/locations/{location}/ragCorpora/{rag_corpus}. - VECTOR_DISTANCE_THRESHOLD: Solo se devuelven los contextos con una distancia de vector menor que el umbral.
- TEXT: Es el texto de la búsqueda para obtener contextos relevantes.
- SIMILARITY_TOP_K: Es la cantidad de contextos principales que se recuperarán.
Método HTTP y URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts
Cuerpo JSON de la solicitud:
{
"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
Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:
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
Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:
$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
Deberías recibir un código de estado exitoso (2xx) y una lista de RagFiles relacionados.
Ejemplo de generación
El LLM genera una respuesta fundamentada con los contextos recuperados.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: Es el ID de tu proyecto.
- LOCATION: Es la región para procesar la solicitud.
- MODEL_ID: Es un modelo de LLM para la generación de contenido. Ejemplo:
gemini-2.5-flash. - GENERATION_METHOD: Es el método de LLM para la generación de contenido.
Opciones:
generateContent,streamGenerateContent. - INPUT_PROMPT: Es el texto enviado al LLM para la generación de contenido. Intenta usar una instrucción relevante para los archivos rag subidos.
- RAG_CORPUS_RESOURCE: Es el nombre del recurso
RagCorpus. Formato:projects/{project}/locations/{location}/ragCorpora/{rag_corpus}. - SIMILARITY_TOP_K: Opcional: La cantidad de contextos principales que se recuperarán.
- VECTOR_DISTANCE_THRESHOLD: Opcional: Se muestran contextos con una distancia de vector menor que el umbral.
- USER: Tu nombre de usuario
Método HTTP y URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD
Cuerpo JSON de la solicitud:
{
"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 tu solicitud, elige una de estas opciones:
curl
Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:
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
Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:
$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
Una respuesta correcta muestra el contenido generado con citas.
Python
Si deseas obtener información para instalar o actualizar el SDK de Vertex AI para Python, consulta Instala el SDK de Vertex AI para Python. Para obtener más información, consulta la documentación de referencia de la API de Python.
Ejemplos de administración de proyectos
El nivel es un parámetro de configuración a nivel del proyecto disponible en el recurso RagEngineConfig y afecta los corpora de RAG que usan RagManagedDb. Para obtener la configuración del nivel, usa GetRagEngineConfig. Para actualizar la configuración del nivel, usa UpdateRagEngineConfig.
Para obtener más información sobre cómo administrar la configuración de niveles, consulta Administra niveles.
Obtén la configuración del proyecto
En las siguientes muestras de código, se muestra cómo leer tu RagEngineConfig:
Console
- En la consola de Google Cloud , ve a la página RAG Engine.
- Selecciona la región en la que se ejecuta tu motor de RAG. Se actualizó tu lista de corpus de RAG.
- Haz clic en Configurar RAG Engine. Aparecerá el panel Configurar RAG Engine. Puedes ver el nivel seleccionado para tu motor de RAG.
- Haz clic en 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
Actualiza la configuración del proyecto
En esta sección, se proporcionan muestras de código para demostrar cómo cambiar tu configuración a un nivel escalado, básico o sin aprovisionar.
Actualiza tu RagEngineConfig al nivel de escalamiento
En las siguientes muestras de código, se muestra cómo establecer RagEngineConfig en el nivel de servicio Escalado:
Console
- En la consola de Google Cloud , ve a la página RAG Engine.
- Selecciona la región en la que se ejecuta tu motor de RAG. Se actualizó tu lista de corpus de RAG.
- Haz clic en Configurar RAG Engine. Aparecerá el panel Configurar RAG Engine.
- Selecciona el nivel en el que deseas ejecutar tu RAG Engine.
- Haz clic en Guardar.
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': {}}}"
Actualiza tu RagEngineConfig al nivel Básico
En los siguientes ejemplos de código, se muestra cómo establecer RagEngineConfig en el nivel básico:
Console
- En la consola de Google Cloud , ve a la página RAG Engine.
- Selecciona la región en la que se ejecuta tu motor de RAG. Se actualizó tu lista de corpus de RAG.
- Haz clic en Configurar RAG Engine. Aparecerá el panel Configurar RAG Engine.
- Selecciona el nivel en el que deseas ejecutar tu RAG Engine.
- Haz clic en Guardar.
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': {}}}"
Actualiza tu RagEngineConfig al nivel Unprovisioned
En las siguientes muestras de código, se muestra cómo establecer RagEngineConfig en el nivel sin aprovisionar:
Console
- En la consola de Google Cloud , ve a la página RAG Engine.
- Selecciona la región en la que se ejecuta tu motor de RAG. Se actualizó tu lista de corpus de RAG.
- Haz clic en Configurar RAG Engine. Aparecerá el panel Configurar RAG Engine.
- Haz clic en Borrar RAG Engine. Aparecerá un diálogo de confirmación.
- Para verificar que estás a punto de borrar tus datos en RAG Engine, escribe delete y, luego, haz clic en Confirmar.
- Haz clic en Guardar.
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': {}}}"
¿Qué sigue?
- Para obtener más información sobre los modelos de generación compatibles, consulta Modelos de IA generativa que admiten RAG.
- Para obtener más información sobre los modelos de incorporación compatibles, consulta Modelos de incorporación.
- Para obtener más información sobre los modelos abiertos, consulta Modelos abiertos.
- Para obtener más información sobre RAG Engine, consulta la descripción general de RAG Engine.