Halaman ini menjelaskan setiap kolom output dari Vertex AI RAG Engine.
retrieveContexts
Bagian ini menjelaskan setiap kolom yang ditentukan dalam retrieveContexts
API dan menggunakan kolom dalam contoh kode.
Kolom
Nama kolom | Deskripsi |
---|---|
source_uri |
File sumber asli sebelum diimpor ke RAG. Jika file diimpor dari Cloud Storage atau Google Drive, source_uri adalah URI file asli di Cloud Storage atau Drive. Jika file diupload, source_uri adalah nama tampilan file. |
source_display_name |
Nama tampilan file. |
text |
Potongan teks yang relevan dengan kueri. |
score |
Kesamaan atau jarak antara kueri dan potongan teks.
Kesamaan atau jarak bergantung pada vectorDB yang Anda pilih. Untuk
ragManagedDB , skornya adalah COSINE_DISTANCE . |
Contoh output
Contoh kode ini menunjukkan penggunaan kolom untuk menghasilkan output contoh.
contexts {
source_uri: "gs://sample_folder/hello_world.txt"
source_display_name: "hello_world.txt"
text: "Hello World!"
score: 0.60545359030757784
}
generateContent
Sebagian besar kolom yang ditentukan untuk generateContent
API dapat ditemukan di
Isi respons.
Kolom
Bagian ini menjelaskan setiap kolom yang ditentukan di bagian grounding_metadata
dari
API generateContent
dan menggunakan kolom dalam contoh kode.
Nama kolom | Deskripsi |
---|---|
text |
Respons yang dihasilkan oleh Gemini. |
grounding_chunks |
Potongan yang ditampilkan oleh Mesin RAG Vertex AI. |
retrieved_context |
Kolom berulang yang dapat memiliki nol atau lebih potongan yang digunakan untuk mendasari konten yang dihasilkan. |
|
|
|
|
|
|
grounding_supports |
Hubungan antara konten yang dihasilkan dan potongan perujukan. Ini adalah kolom berulang. Setiap kolom grounding_supports menunjukkan hubungan antara satu segmen teks dari konteks yang dihasilkan dan satu atau beberapa potongan teks yang diambil RAG. |
segment |
Segmen teks yang memiliki rujukan dari teks yang dihasilkan. |
|
|
|
|
|
|
grounding_chunk_indices |
Chunk yang digunakan untuk mendasari segmen teks. Ada lebih dari satu bagian yang dapat digunakan untuk mendasari teks. Indeks dimulai dari 0 , yang mewakili potongan pertama dalam kolom grounding_chunks . Tanah berada di seluruh potongan. Bagian chunk yang mendasari respons tidak ditentukan. |
confidence_scores |
Skor yang digunakan untuk mendasarkan teks pada potongan tertentu. Skor tertinggi yang mungkin adalah 1 dan makin tinggi skornya, makin tinggi tingkat keyakinannya. Setiap skor cocok dengan setiap grounding_chunk_indices . Hanya potongan dengan skor keyakinan minimal 0.6 yang disertakan dalam output. |
Contoh output
Contoh kode ini menunjukkan penggunaan kolom untuk menghasilkan output contoh.
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
}
}
}
Langkah berikutnya
- Untuk mempelajari lebih lanjut konteks RAG dalam referensi API, lihat Konteks.
- Untuk mempelajari RAG lebih lanjut, lihat Ringkasan Mesin RAG Vertex AI.