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 | |
|---|---|
|
Opcional: Inmutable.
Es la configuración para especificar el tipo de corpus. |
|
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 de vectores. |
|
Opcional: Es la configuración de Vertex AI Search. Formato: |
CorpusTypeConfig
| Parámetros | |
|---|---|
|
El valor predeterminado de |
|
Si configuras este tipo, el corpus de RAG será un Para obtener más información, consulta Cómo usar Vertex AI RAG Engine como el almacén de memoria. |
|
Es el analizador de LLM que se usa para analizar y almacenar los contextos de sesión de la API de Gemini Live. Puedes crear recuerdos para la indexación. |
RagVectorDbConfig
| Parámetros | |
|---|---|
|
Si no se especifica ninguna base de datos de vectores, |
|
Predeterminado. Encuentra los vecinos más cercanos exactos comparando todos los puntos de datos de tu corpus de RAG. Si no especificas una estrategia durante la creación de tu corpus de RAG, se usará la estrategia de recuperación predeterminada de KNN. |
|
Determina la cantidad de capas o niveles del árbol. Si tienesO(10K) archivos RAG en el corpus de RAG, establece este valor en 2.
Determina la cantidad de nodos hoja en la estructura basada en el árbol.
|
|
Especifica tu instancia de Weaviate. |
|
El extremo HTTP de la instancia de Weaviate Este valor no se puede cambiar después de establecerlo. Puedes dejarlo vacío en la llamada a la API de |
|
Es la colección de Weaviate a la que se asigna 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 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 AI Feature Store. |
|
Es el Formato: 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, que contiene tu clave de API de Weaviate o Pinecone, según tu elección de base de datos de vectores. 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. |
|
El extremo HTTP de la instancia de Weaviate Si tu |
|
Es la colección de Weaviate a la que se asigna el corpus de RAG. Si tu |
|
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 Formato: 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, que contiene tu clave de API de Weaviate o Pinecone, según tu elección de base de datos de vectores. 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. |
|
Opcional: El valor alfa controla el peso entre los resultados de la búsqueda de vectores densos y dispersos. El rango es [0, 1], en el que 0 significa solo búsqueda de vectores dispersos y 1 significa solo búsqueda de vectores densos. El valor predeterminado es 0.5, que equilibra la búsqueda de vectores dispersos y densos por igual. La búsqueda híbrida solo está disponible para Weaviate. |
|
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 esta muestra 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: El ID del proyecto.
- LOCATION: La región para procesar la solicitud.
- CORPUS_DISPLAY_NAME: es el nombre visible del
RagCorpus. - CORPUS_DESCRIPTION: Es la descripción de
RagCorpus.
Método HTTP y URL:
POST https://LOCATION-aiplatform.googleapis.com/v1beta1/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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora" | Select-Object -Expand Content
En el siguiente ejemplo, se muestra cómo crear un corpus RAG mediante la API de REST.
PROJECT_ID: Your project ID.
LOCATION: The region to process the request.
CORPUS_DISPLAY_NAME: The display name of the <code>RagCorpus</code>.
// 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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora \
-d '{
"display_name" : "CORPUS_DISPLAY_NAME"
}'
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: El ID del proyecto.
- LOCATION: 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
RagCorpus. - CORPUS_DESCRIPTION: Es la descripción de
RagCorpus. - INDEX_NAME: Es el nombre del recurso
Vector Search Index. Formato:projects/{project}/locations/{location}/indexes/{index} - INDEX_ENDPOINT_NAME: Es el nombre del recurso
Vector Search Index Endpoint. Formato:projects/{project}/locations/{location}/indexEndpoints/{index_endpoint}
Método HTTP y URL:
PATCH https://LOCATION-aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/CORPUS_ID
Cuerpo JSON de la solicitud:
{
"display_name" : "CORPUS_DISPLAY_NAME",
"description": "CORPUS_DESCRIPTION",
"rag_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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/CORPUS_ID" | Select-Object -Expand Content
Ejemplo de lista de corpus de RAG
En esta muestra 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: El ID del proyecto.
- LOCATION: La región para procesar la solicitud.
- PAGE_SIZE: El tamaño de página de lista estándar. Puedes ajustar la cantidad de
RagCorporaque se muestran por página si actualizas el parámetropage_size. - PAGE_TOKEN: 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/v1beta1/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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora?page_size=PAGE_SIZE&page_token=PAGE_TOKEN" | Select-Object -Expand Content
RagCorpora en el PROJECT_ID determinado.
Obtén un ejemplo de corpus de RAG
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: El ID del proyecto.
- LOCATION: La región para procesar la solicitud.
- RAG_CORPUS_ID: El ID del recurso
RagCorpus.
Método HTTP y URL:
GET https://LOCATION-aiplatform.googleapis.com/v1beta1/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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID" | Select-Object -Expand Content
RagCorpus.
Los comandos get y list se utilizan en un ejemplo para demostrar cómo RagCorpus usa el campo rag_embedding_model_config dentro de 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.
// 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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/
Ejemplo de eliminación de un corpus de RAG
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: El ID del proyecto.
- LOCATION: La región para procesar la solicitud.
- RAG_CORPUS_ID: El ID del recurso
RagCorpus.
Método HTTP y URL:
DELETE https://LOCATION-aiplatform.googleapis.com/v1beta1/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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID" | Select-Object -Expand Content
DeleteOperationMetadata.
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
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos: PROJECT_ID: Your project ID.
LOCATION: The region to process the request.
RAG_CORPUS_ID: The corpus ID of your RAG corpus.
LOCAL_FILE_PATH: The local path to the file to be uploaded.
DISPLAY_NAME: The display name of the RAG file.
DESCRIPTION: The description of the RAG file.
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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:upload"
Ejemplo de importación de archivos RAG
Los archivos y las carpetas se pueden importar desde Drive o Cloud Storage.
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.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: El ID del proyecto.
- LOCATION: La región para procesar la solicitud.
- RAG_CORPUS_ID: El ID del recurso
RagCorpus. - GCS_URIS: Es una lista de ubicaciones de Cloud Storage. Ejemplo:
gs://my-bucket1, gs://my-bucket2. - CHUNK_SIZE: Cantidad de tokens que debe tener cada fragmento (opcional).
- CHUNK_OVERLAP: La cantidad de tokens que se superponen entre los fragmentos (opcional).
Método HTTP y URL:
POST https://LOCATION-aiplatform.googleapis.com/v1beta1/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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles:import" | Select-Object -Expand Content
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: Your project ID.
LOCATION: The region to process the request.
RAG_CORPUS_ID: The corpus ID of your RAG corpus.
GCS_URIS: A list of Cloud Storage locations. Example: gs://my-bucket1.
CHUNK_SIZE: Number of tokens each chunk should have.
CHUNK_OVERLAP: Number of tokens overlap between chunks.
EMBEDDING_MODEL_QPM_RATE: The QPM rate to limit RAGs access to your embedding model. Example: 1000.
// 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/v1beta1/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
}
}'
// Poll the operation status.
// The response contains the number of files imported.
OPERATION_ID: The operation ID you get from the response of the previous command.
poll_op_wait OPERATION_ID
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: Your project ID.
LOCATION: The region to process the request.
RAG_CORPUS_ID: The corpus ID of your RAG corpus.
FOLDER_RESOURCE_ID: The resource ID of your Google Drive folder.
CHUNK_SIZE: Number of tokens each chunk should have.
CHUNK_OVERLAP: Number of tokens overlap between chunks.
EMBEDDING_MODEL_QPM_RATE: The QPM rate to limit RAGs access to your embedding model. Example: 1000.
// 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/v1beta1/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
}
}'
// Poll the operation status.
// The response contains the number of files imported.
OPERATION_ID: The operation ID you get from the response of the previous command.
poll_op_wait OPERATION_ID
Ejemplo de lista de archivos RAG
En este muestra 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: El ID del proyecto.
- LOCATION: La región para procesar la solicitud.
- RAG_CORPUS_ID: El ID del recurso
RagCorpus. - PAGE_SIZE: El tamaño de página de lista estándar. Puedes ajustar la cantidad de
RagFilesque se muestran por página si actualizas el parámetropage_size. - PAGE_TOKEN: El token de página de lista estándar. Se obtiene normalmente con
ListRagFilesResponse.next_page_tokende la llamadaVertexRagDataService.ListRagFilesanterior.
Método HTTP y URL:
GET https://LOCATION-aiplatform.googleapis.com/v1beta1/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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles?page_size=PAGE_SIZE&page_token=PAGE_TOKEN" | Select-Object -Expand Content
RagFiles en el RAG_CORPUS_ID determinado.
Obtén un ejemplo de archivo RAG
En este muestra 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: El ID del proyecto.
- LOCATION: La región para procesar la solicitud.
- RAG_CORPUS_ID: El ID del recurso
RagCorpus. - RAG_FILE_ID: El ID del recurso
RagFile.
Método HTTP y URL:
GET https://LOCATION-aiplatform.googleapis.com/v1beta1/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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID" | Select-Object -Expand Content
RagFile.
Ejemplo de borrado de un archivo RAG
En esta muestra de código, se indica cómo borrar un archivo RAG.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: El ID del proyecto.
- LOCATION: La región para procesar la solicitud.
- RAG_CORPUS_ID: El ID del recurso
RagCorpus. - RAG_FILE_ID: 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/v1beta1/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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/ragCorpora/RAG_CORPUS_ID/ragFiles/RAG_FILE_ID" | Select-Object -Expand Content
DeleteOperationMetadata.
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.
REST
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- LOCATION: La región para procesar la solicitud.
- PROJECT_ID: El ID del proyecto.
- RAG_CORPUS_RESOURCE: El nombre del recurso
RagCorpus. Formato:projects/{project}/locations/{location}/ragCorpora/{rag_corpus}. - VECTOR_DISTANCE_THRESHOLD: Solo se muestran los contextos con una distancia de vector menor que el umbral.
- TEXT: Es el texto de la consulta para obtener contextos relevantes.
- SIMILARITY_TOP_K: La cantidad de contextos principales que se recuperarán.
Método HTTP y URL:
POST https://LOCATION-aiplatform.googleapis.com/v1beta1/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
}
}
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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION:retrieveContexts" | Select-Object -Expand Content
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: El ID del proyecto.
- LOCATION: 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 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: 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 vectorial menor que el umbral.
Método HTTP y URL:
POST https://LOCATION-aiplatform.googleapis.com/v1beta1/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/v1beta1/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/v1beta1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/MODEL_ID:GENERATION_METHOD" | Select-Object -Expand Content
Ejemplos de administración de proyectos
El nivel es un parámetro de configuración a nivel del proyecto disponible en el recurso RagEngineConfig y afecta a los corpus 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 tu nivel, consulta Administra tu nivel.
Obtén la configuración del proyecto
En el siguiente código de muestra, 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/v1beta1/projects/${PROJECT_ID}/locations/${LOCATION}/ragEngineConfig
Actualiza la configuración del proyecto
En esta sección, se proporcionan muestras de código para demostrar cómo cambiar tu nivel en la configuración.
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/v1beta1/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:
Si tienes una gran cantidad de datos en tu RagManagedDb en todos tus corpus de RAG, es posible que no se pueda cambiar a un nivel Básico debido a la capacidad de procesamiento y almacenamiento insuficientes.
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/v1beta1/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/v1beta1/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.