O plug-in da Vertex AI fornece interfaces para vários serviços de IA:
- Modelos de IA generativa do Google:
- Geração de texto do Gemini
- Geração de imagens do Imagen2
- Geração de embedding de texto
- Um subconjunto de métricas de avaliação por meio da API de avaliação rápida da Vertex AI:
- BLEU (link em inglês)
- ROUGE (em inglês)
- Fluência
- Segurança
- Sondagem
- Qualidade do resumo
- Utilidade do resumo
- Verbosidade do resumo
- Vector Search
Instalação
npm i --save @genkit-ai/vertexai
Se você quiser executar localmente fluxos que usam esse plug-in, também precisará do ferramenta CLI do Google Cloud instalada.
Configuração
Para usar esse plug-in, especifique-o ao chamar configureGenkit()
:
import { vertexAI } from '@genkit-ai/vertexai';
export default configureGenkit({
plugins: [
vertexAI({ projectId: 'your-cloud-project', location: 'us-central1' }),
],
// ...
});
O plug-in exige que você especifique o ID do projeto do Google Cloud, a região para a qual você quer fazer solicitações da API Vertex, e as credenciais do seu projeto do Google Cloud.
Para especificar o ID do projeto do Google Cloud, defina
projectId
no a configuraçãovertexAI()
ou definindo o ambienteGCLOUD_PROJECT
variável. Se você estiver executando seu fluxo em um ambiente do Google Cloud (Cloud Functions, Cloud Run e assim por diante),GCLOUD_PROJECT
é definido automaticamente como ID do projeto do ambiente.É possível especificar o local da API definindo
location
no objeto configuraçãovertexAI()
ou definindo o ambienteGCLOUD_LOCATION
variável.Para fornecer credenciais de API, você precisa configurar o Application Default Credentials do Google Cloud.
Para especificar suas credenciais:
Se você estiver executando seu fluxo em um ambiente do Google Cloud (Cloud Functions, Cloud Run e outros), isso é definido automaticamente.
No ambiente de desenvolvimento local, faça isso executando o seguinte:
gcloud auth application-default login
- Para outros ambientes, consulte a documentação do Application Default Credentials.
Além disso, confirme se a conta recebeu o papel do IAM de usuário da Vertex AI (
roles/aiplatform.user
). Consulte a documentação do controle de acesso da Vertex AI.
Uso
Modelos de IA generativa
Este plug-in exporta estaticamente referências aos modelos de IA generativa compatíveis:
import { gemini15Flash, gemini15Pro, imagen2 } from '@genkit-ai/vertexai';
É possível usar essas referências para especificar qual modelo o generate()
usa:
const llmResponse = await generate({
model: gemini15Flash,
prompt: 'What should I do when I visit Melbourne?',
});
Este plug-in também exporta estaticamente uma referência ao embedding de texto do Gecko modelo:
import { textEmbeddingGecko } from '@genkit-ai/vertexai';
Você pode usar essa referência para especificar qual incorporador é um indexador ou recuperador usa. Por exemplo, se você usar o Chroma DB:
configureGenkit({
plugins: [
chroma([
{
embedder: textEmbeddingGecko,
collectionName: 'my-collection',
},
]),
],
});
Ou você pode gerar um embedding diretamente:
// import { embed, EmbedderArgument } from '@genkit-ai/ai/embedder';
const embedding = await embed({
embedder: textEmbeddingGecko,
content: 'How many widgets do you have in stock?',
});
Anthropic Claude 3 no Model Garden da Vertex AI
Se você tiver acesso aos modelos Claude 3 (haiku, sonnet ou opus) no Model Garden da Vertex AI, poderá usá-los com o Genkit.
Confira um exemplo de configuração para ativar modelos do Model Garden da Vertex AI:
import {
vertexAI,
claude3Haiku,
claude3Sonnet,
claude3Opus,
} from '@genkit-ai/vertexai';
export default configureGenkit({
plugins: [
vertexAI({
location: 'us-central1',
modelGarden: {
models: [claude3Haiku, claude3Sonnet, claude3Opus],
},
}),
],
});
Em seguida, use-os como modelos normais:
const llmResponse = await generate({
model: claude3Sonnet,
prompt: 'What should I do when I visit Melbourne?',
});
Llama 3.1 405b no Model Garden da Vertex AI
Primeiro, você precisa ativar o serviço da API Llama 3.1 no Model Garden da Vertex AI.
Confira um exemplo de configuração para o Llama 3.1 405b no plug-in da Vertex AI:
import { vertexAI, llama31 } from '@genkit-ai/vertexai';
export default configureGenkit({
plugins: [
vertexAI({
location: 'us-central1',
modelGarden: {
models: [llama31],
},
}),
],
});
Em seguida, use-o como modelos normais:
const llmResponse = await generate({
model: llama31,
prompt: 'Write a function that adds two numbers together',
});
Avaliadores
Para usar os avaliadores da Avaliação rápida da Vertex AI, adicione um bloco evaluation
à configuração do plug-in vertexAI
.
import { vertexAI, VertexAIEvaluationMetricType } from '@genkit-ai/vertexai';
export default configureGenkit({
plugins: [
vertexAI({
projectId: 'your-cloud-project',
location: 'us-central1',
evaluation: {
metrics: [
VertexAIEvaluationMetricType.SAFETY,
{
type: VertexAIEvaluationMetricType.ROUGE,
metricSpec: {
rougeType: 'rougeLsum',
},
},
],
},
}),
],
// ...
});
A configuração acima adiciona avaliadores para as métricas Safety
e ROUGE
. O exemplo mostra duas abordagens: a métrica Safety
usa a especificação padrão, enquanto a métrica ROUGE
fornece uma especificação personalizada que define o tipo de rouge como rougeLsum
.
Os dois avaliadores podem ser executados usando o comando genkit eval:run
com um conjunto de dados compatível, ou seja, um conjunto com os campos output
e reference
. O avaliador Safety
também pode ser executado usando o comando genkit eval:flow -e vertexai/safety
, já que ele requer apenas um output
.
Indexadores e recuperados
O plug-in Genkit Vertex AI inclui implementações de indexador e recuperador respaldado pelo serviço de pesquisa de vetor da Vertex AI.
Consulte a página Geração aumentada de recuperação para saber como os indexadores e retrievers são usados em uma implementação de RAG.)
O serviço de pesquisa de vetores da Vertex AI é um índice de documentos que funciona junto com armazenamento de documentos de sua escolha: o armazenamento de documentos contém o conteúdo de documentos, e o índice de Pesquisa vetorial da Vertex AI contém, para cada documento, a incorporação de vetor e uma referência ao documento no armazenamento de documentos. Depois que seus documentos forem indexados pelo serviço de pesquisa de vetores da Vertex AI, ele pode responder a consultas de pesquisa, produzindo listas de índices em seu repositório de documentos.
As implementações do indexador e do recuperador fornecidas pelo plug-in da Vertex AI usam o Cloud Firestore ou o BigQuery como armazenamento de documentos. O plug-in também inclui interfaces que você pode implementar para oferecer suporte a outros armazenamentos de documentos.
Para usar a Vertex AI Vector Search:
Escolha um modelo de embedding. Esse modelo é responsável por criar e embeddings do texto. Os usuários avançados podem usar um modelo de embedding otimizado para conjuntos de dados específicos, mas, para a maioria dos usuários, O modelo
text-embedding-004
é uma boa escolha para textos em inglês e a O modelotext-multilingual-embedding-002
é bom para texto multilíngue.Na Pesquisa Vetorial do console do Google Cloud, crie um índice. As mais importantes são:
Dimensões:especificam a dimensionalidade dos vetores produzidos pelo o modelo de embedding escolhido. Os métodos
text-embedding-004
e Os modelostext-multilingual-embedding-002
produzem vetores de 768 dimensões.Método de atualização:selecione as atualizações de streaming.
Depois de criar o índice, implante-o em um endpoint padrão (público).
Receba um indexador e um recuperador de documentos para o armazenamento de documentos que deseja usar:
Cloud Firestore
import { getFirestoreDocumentIndexer, getFirestoreDocumentRetriever } from '@genkit-ai/vertexai'; import { initializeApp } from 'firebase-admin/app'; import { getFirestore } from 'firebase-admin/firestore'; initializeApp({ projectId: PROJECT_ID }); const db = getFirestore(); const firestoreDocumentRetriever: DocumentRetriever = getFirestoreDocumentRetriever(db, FIRESTORE_COLLECTION); const firestoreDocumentIndexer: DocumentIndexer = getFirestoreDocumentIndexer(db, FIRESTORE_COLLECTION);
BigQuery
import { getBigQueryDocumentIndexer, getBigQueryDocumentRetriever, } from '@genkit-ai/vertexai'; import { BigQuery } from '@google-cloud/bigquery'; const bq = new BigQuery({ projectId: PROJECT_ID }); const bigQueryDocumentRetriever: DocumentRetriever = getBigQueryDocumentRetriever(bq, BIGQUERY_TABLE, BIGQUERY_DATASET); const bigQueryDocumentIndexer: DocumentIndexer = getBigQueryDocumentIndexer(bq, BIGQUERY_TABLE, BIGQUERY_DATASET);
Outro
Para oferecer suporte a outras lojas de documentos, você pode fornecer suas próprias implementações de
DocumentRetriever
eDocumentIndexer
:const myDocumentRetriever: DocumentRetriever = async (neighbors: Neighbor[]) => { // Return the documents referenced by `neighbors`. // ... } const myDocumentIndexer: DocumentIndexer = async (documents: Document[]) => { // Add `documents` to storage. // ... }
Para conferir um exemplo, consulte Sample AI Plugin Retriever e Indexer com arquivo local.
Adicione um bloco
vectorSearchOptions
à configuração do plug-invertexAI
:import { configureGenkit } from '@genkit-ai/core'; import { vertexAI, textEmbedding004 } from '@genkit-ai/vertexai'; configureGenkit({ plugins: [ vertexAI({ projectId: PROJECT_ID, location: LOCATION, vectorSearchOptions: [ { indexId: VECTOR_SEARCH_INDEX_ID, indexEndpointId: VECTOR_SEARCH_INDEX_ENDPOINT_ID, deployedIndexId: VECTOR_SEARCH_DEPLOYED_INDEX_ID, publicDomainName: VECTOR_SEARCH_PUBLIC_DOMAIN_NAME, documentRetriever: firestoreDocumentRetriever, documentIndexer: firestoreDocumentIndexer, embedder: textEmbedding004, }, ], }), ], });
Forneça o incorporador que você escolheu na primeira etapa e o indexador de documentos e o recuperador que você criou na etapa anterior.
Para configurar o plug-in para usar o índice de Pesquisa Vetorial que você criou anteriormente, você precisa fornecer vários valores, que podem ser encontrados na ferramenta do console do Google Cloud:
indexId
: listado na guia ÍndicesindexEndpointId
: listado na guia Endpoints do índicedeployedIndexId
epublicDomainName
: listados no "Índice implantado" informações" que pode ser aberta clicando no nome do índice implantado em qualquer uma das guias mencionadas anteriormente
Agora que tudo está configurado, importe as referências do recuperador e do indexador do plug-in:
import { vertexAiIndexerRef, vertexAiRetrieverRef, } from '@genkit-ai/vertexai';
Transmita as referências a
index()
eretrieve()
:await index({ indexer: vertexAiIndexerRef({ indexId: VECTOR_SEARCH_INDEX_ID, }), documents, });
const res = await retrieve({ retriever: vertexAiRetrieverRef({ indexId: VECTOR_SEARCH_INDEX_ID, }), query: queryDocument, });
Confira os exemplos de código para:
- Vertex Vector Search + BigQuery
- Vertex Vector Search + Firestore
- Vertex Vector Search + um banco de dados personalizado