Abruf- und Generierungsausgabe der Vertex AI RAG Engine

Auf dieser Seite werden die einzelnen Felder der Ausgabe der Vertex AI-RAG-Engine erläutert.

retrieveContexts

In diesem Abschnitt werden die einzelnen in der retrieveContexts API definierten Felder beschrieben und die Felder in Beispielcode verwendet.

Felder

Feldname Beschreibung
source_uri Die ursprüngliche Quelldatei, bevor sie in RAG importiert wird. Wenn die Datei aus Cloud Storage oder Google Drive importiert wird, ist source_uri der URI der ursprünglichen Datei in Cloud Storage oder Drive. Wenn die Datei hochgeladen wird, ist source_uri der Anzeigename der Datei.
source_display_name Der Anzeigename der Datei.
text Der Textabschnitt, der für die Suchanfrage relevant ist.
score Die Ähnlichkeit oder Entfernung zwischen der Suchanfrage und dem Textblock. Die Ähnlichkeit oder Entfernung hängt vom ausgewählten vectorDB ab. Für ragManagedDB ist der Wert COSINE_DISTANCE.

Beispielausgabe:

In diesem Codebeispiel wird gezeigt, wie die Felder verwendet werden, um eine Beispielausgabe zu generieren.

contexts {
    source_uri: "gs://sample_folder/hello_world.txt"
    source_display_name: "hello_world.txt"
    text: "Hello World!"
    score: 0.60545359030757784
  }

generateContent

Die meisten für die generateContent API definierten Felder finden Sie im Antworttext.

Felder

In diesem Abschnitt werden die einzelnen Felder beschrieben, die im Teil grounding_metadata der generateContent API definiert sind. Die Felder werden in Beispielcode verwendet.

Feldname Beschreibung
text Die von Gemini generierte Antwort.
grounding_chunks Die von der Vertex AI RAG-Engine zurückgegebenen Chunks.
retrieved_context Ein wiederkehrendes Feld, das null oder mehr Blöcke enthalten kann, die als Grundlage für die generierten Inhalte dienen.
  • uri
  • Mit source_uri wird angegeben, wo die Daten ursprünglich gespeichert sind.
  • title
  • source_display_name ist der Dateiname oder Anzeigename der Originaldatei.
  • text
  • Der Textblock wird verwendet, um die Gemini-Antwort zu fundieren.
grounding_supports Die Beziehung zwischen den generierten Inhalten und den Chunks für die Verankerung. Dies ist ein wiederkehrendes Feld. Jedes grounding_supports-Feld zeigt die Beziehung zwischen einem Textsegment des generierten Kontexts und einem oder mehreren Textchunks, die mit der RAG-Methode abgerufen wurden.
segment Das fundierte Textsegment des generierten Texts.
  • start_index
  • Der erste Index des verankerten Textes. Wenn start_index fehlt, ist start_index 0.
  • end_index
  • Der letzte Index des verankerten Textes.
  • text
  • Der verankerte Text.
grounding_chunk_indices Der Teil, der als Grundlage für das Textsegment dient. Es kann mehr als ein Block verwendet werden, um den Text zu verankern. Der Index beginnt bei 0, was dem ersten Block im Feld grounding_chunks entspricht. Der Boden ist auf dem gesamten Chunk. Der Teil des Chunks, auf dem die Antwort basiert, ist nicht angegeben.
confidence_scores Der Wert, der verwendet wird, um den Text auf einem bestimmten Chunk zu verankern. Der höchste Wert ist 1. Je höher der Wert, desto höher das Konfidenzniveau. Jede Bewertung entspricht einem grounding_chunk_indices. Nur die Segmente mit einem Konfidenzwert von mindestens 0.6 werden in die Ausgabe aufgenommen.

Beispielausgabe:

In diesem Codebeispiel wird gezeigt, wie die Felder verwendet werden, um eine Beispielausgabe zu generieren.

candidates {
  content {
    role: "model"
    parts {
      text: "The rectangle is red and the background is white. The rectangle appears to be on some type of document editing software. \n"
    }
  }
  grounding_metadata {
    grounding_chunks {
      retrieved_context {
        uri: "a.txt"
        title: "a.txt"
        text: "Okay ,  I  see  a  red  rectangle  on  a  white  background .  It looks like it\'s on some sort of document editing software. It has those small squares and circles around it, indicating that it\'s a selected object ."
      }
    }
    grounding_chunks {
      retrieved_context {
        uri: "b.txt"
        title: "b.txt"
        text: "The  video  is  identical  to  the  last  time  I  described  it .  It shows a blue rectangle on a white background."
      }
    }
    grounding_chunks {
      retrieved_context {
        uri: "c.txt"
        title: "c.txt"
        text: "Okay ,  I  remember  the  rectangle  was  blue  in  the  past  session . Now it is red.\n The  red  rectangle  is  still  there .  It \' s  still  in  the same position on the white background, with the same handles around it. Nothing new is visible since last time.\n You \' re  welcome .  The  red  rectangle  is  still  the  only  thing visible."
      }
    }
    grounding_supports {
      segment {
        end_index: 49
        text: "The rectangle is red and the background is white."
      }
      grounding_chunk_indices: 2
      grounding_chunk_indices: 0
      confidence_scores: 0.958192229
      confidence_scores: 0.992316723
    }
    grounding_supports {
      segment {
        start_index: 50
        end_index: 120
        text: "The rectangle appears to be on some type of document editing software."
      }
      grounding_chunk_indices: 0
      confidence_scores: 0.98374176
    }
  }
}

Nächste Schritte