Sobre este codelab
1. Visão geral
Neste laboratório, você vai criar um agente da IA generativa, conectá-lo ao aplicativo do Cloud Run e integrá-lo ao espaço de trabalho do Slack.
O que você vai aprender
Há várias partes principais no laboratório:
- Implantar o aplicativo do Cloud Run para integração com as APIs Gemini
- Criar e implantar o agente de conversação
- Integrar o agente ao Slack
- Configurar o repositório de dados para perguntas e respostas em documentos PDF
Pré-requisitos
- Para fazer este laboratório, é preciso saber usar o console do Cloud e os ambientes do Cloud Shell.
2. Configuração e requisitos
Configuração do projeto do Cloud
- Faça login no Console do Google Cloud e crie um novo projeto ou reutilize um existente. Crie uma conta do Gmail ou do Google Workspace, se ainda não tiver uma.
- O Nome do projeto é o nome de exibição para os participantes do projeto. É uma string de caracteres não usada pelas APIs do Google e pode ser atualizada quando você quiser.
- O ID do projeto precisa ser exclusivo em todos os projetos do Google Cloud e não pode ser mudado após a definição. O console do Cloud gera automaticamente uma string exclusiva. Em geral, não importa o que seja. Na maioria dos codelabs, é necessário fazer referência ao ID do projeto, normalmente identificado como
PROJECT_ID. Se você não gostar do ID gerado, crie outro aleatório. Se preferir, teste o seu e confira se ele está disponível. Ele não pode ser mudado após essa etapa e permanece durante o projeto. - Para sua informação, há um terceiro valor, um Número do projeto, que algumas APIs usam. Saiba mais sobre esses três valores na documentação.
- Em seguida, ative o faturamento no console do Cloud para usar os recursos/APIs do Cloud. A execução deste codelab não vai ser muito cara, se tiver algum custo. Para encerrar os recursos e evitar cobranças além deste tutorial, exclua os recursos criados ou exclua o projeto. Novos usuários do Google Cloud estão qualificados para o programa de US$ 300 de avaliação sem custos.
Configuração do ambiente
Abra o chat do Gemini.
Ative a API Gemini para Google Cloud:
Clique em Start chatting e siga uma das perguntas de exemplo ou digite seu próprio comando para testar.
Sugestões de comandos:
- Explicar o Cloud Run em cinco pontos principais.
- Você é gerente de produto do Google Cloud Run e explica o Cloud Run para um estudante em cinco pontos-chave.
- Você é gerente de produto do Google Cloud Run e explica o Cloud Run para um desenvolvedor certificado do Kubernetes em cinco pontos principais.
- Você é gerente de produto do Google Cloud Run e explica a um desenvolvedor sênior em cinco pontos principais quando usar o Cloud Run em vez do GKE.
Confira o guia de comandos para saber como escrever comandos melhores.
Como o Gemini para o Google Cloud usa seus dados
Compromisso do Google com a privacidade
O Google foi um dos primeiros no setor a publicar um compromisso de privacidade de IA/ML, que descreve que os clientes precisam ter o mais alto nível de segurança e controle sobre os dados armazenados na nuvem.
Dados que você envia e recebe
As perguntas que você faz ao Gemini, incluindo qualquer informação de entrada ou código que você envia para análise ou conclusão, são chamadas de comandos. As respostas ou as finalizações de código que você recebe do Gemini são chamadas de respostas. O Gemini não usa seus comandos nem as respostas deles como dados para treinar os modelos.
Criptografia de instruções
Quando você envia comandos para o Gemini, os dados são criptografados em trânsito como entrada para o modelo subjacente no Gemini.
Dados do programa gerados pelo Gemini
O Gemini é treinado com base no código próprio do Google Cloud e em códigos de terceiros selecionados. Você é responsável pela segurança, testes e eficácia do seu código, incluindo qualquer preenchimento, geração ou análise de código que o Gemini oferece.
Saiba mais sobre como o Google processa suas solicitações.
3. Opções para testar solicitações
Você tem várias opções para testar comandos.
O Vertex AI Studio faz parte da plataforma Vertex AI do Google Cloud, projetada especificamente para simplificar e acelerar o desenvolvimento e o uso de modelos de IA generativa.
O Google AI Studio é uma ferramenta baseada na Web para prototipagem e experimentação com engenharia de comando e a API Gemini.
- Web app Gemini (gemini.google.com)
O web app Gemini (gemini.google.com) é uma ferramenta baseada na Web projetada para ajudar você a explorar e usar o poder dos modelos de IA do Gemini do Google.
4. Clone o repositório
Volte ao console do Google Cloud e ative o Cloud Shell clicando no ícone à direita da barra de pesquisa.
No terminal aberto, execute os seguintes comandos:
git clone https://github.com/GoogleCloudPlatform/genai-for-developers.git
cd genai-for-developers
git checkout slack-agent-jira-lab
Clique em "Abrir editor".
Usando o item de menu "File / Open Folder", abra "genai-for-developers".
Abra um novo terminal.
5. Criar a conta de serviço
Crie uma nova conta de serviço. Você vai usar essa conta de serviço para fazer chamadas de API para a API Vertex AI Gemini no aplicativo do Cloud Run.
Configure os detalhes do projeto usando os detalhes do projeto do Qwiklabs.
Exemplo: qwiklabs-gcp-00-2c10937585bb
gcloud config set project YOUR_QWIKLABS_PROJECT_ID
Crie uma conta de serviço e conceda papéis.
export LOCATION=us-central1
export PROJECT_ID=$(gcloud config get-value project)
export SERVICE_ACCOUNT_NAME='vertex-client'
export DISPLAY_NAME='Vertex Client'
export KEY_FILE_NAME='vertex-client-key'
gcloud iam service-accounts create $SERVICE_ACCOUNT_NAME --project $PROJECT_ID --display-name "$DISPLAY_NAME"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/aiplatform.admin"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/aiplatform.user"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/cloudbuild.builds.editor"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/artifactregistry.admin"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/storage.admin"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/run.admin"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/secretmanager.secretAccessor"
Se for necessário autorizar, clique em "Autorizar" para continuar.
Ative os serviços necessários para usar as APIs Vertex AI e o chat Gemini.
gcloud services enable \
generativelanguage.googleapis.com \
aiplatform.googleapis.com \
cloudaicompanion.googleapis.com \
run.googleapis.com \
cloudresourcemanager.googleapis.com
Ative os serviços necessários para usar as APIs Vertex AI e o chat Gemini.
gcloud services enable \
artifactregistry.googleapis.com \
cloudbuild.googleapis.com \
runapps.googleapis.com \
workstations.googleapis.com \
servicemanagement.googleapis.com \
secretmanager.googleapis.com \
containerscanning.googleapis.com
Usar o Gemini Code Assist para explicar o código
Abra o arquivo "devai-api/app/routes.py" e clique com o botão direito do mouse em qualquer lugar do arquivo. Em seguida, selecione "Gemini Code Assist > Explain this"" no menu de contexto.
Leia a explicação do Gemini sobre o arquivo selecionado.
6. Implantar a API Devai no Cloud Run
Verifique se você está na pasta certa.
cd ~/genai-for-developers/devai-api
Neste laboratório, seguimos as práticas recomendadas e usamos o Secret Manager para armazenar e referenciar os valores da chave de API do token de acesso e do LangChain no Cloud Run.
Defina variáveis de ambiente. Execute este comando sem fazer mudanças.
export JIRA_API_TOKEN=your-jira-token
export JIRA_USERNAME="YOUR-EMAIL"
export JIRA_INSTANCE_URL="https://YOUR-JIRA-PROJECT.atlassian.net"
export JIRA_PROJECT_KEY="YOUR-JIRA-PROJECT-KEY"
export JIRA_CLOUD=true
export GITLAB_PERSONAL_ACCESS_TOKEN=your-gitlab-token
export GITLAB_URL="https://gitlab.com"
export GITLAB_BRANCH="devai"
export GITLAB_BASE_BRANCH="main"
export GITLAB_REPOSITORY="GITLAB-USERID/GITLAB-REPO"
export LANGCHAIN_API_KEY=your-langchain-key
export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_ENDPOINT="https://api.smith.langchain.com"
Crie e armazene vários secrets no Secret Manager.
echo -n $JIRA_API_TOKEN | \
gcloud secrets create JIRA_API_TOKEN \
--data-file=-
echo -n $GITLAB_PERSONAL_ACCESS_TOKEN | \
gcloud secrets create GITLAB_PERSONAL_ACCESS_TOKEN \
--data-file=-
echo -n $LANGCHAIN_API_KEY | \
gcloud secrets create LANGCHAIN_API_KEY \
--data-file=-
Implantar o aplicativo no Cloud Run.
gcloud run deploy devai-api \
--source=. \
--region="$LOCATION" \
--allow-unauthenticated \
--service-account vertex-client \
--set-env-vars PROJECT_ID="$PROJECT_ID" \
--set-env-vars LOCATION="$LOCATION" \
--set-env-vars GITLAB_URL="$GITLAB_URL" \
--set-env-vars GITLAB_REPOSITORY="$GITLAB_REPOSITORY" \
--set-env-vars GITLAB_BRANCH="$GITLAB_BRANCH" \
--set-env-vars GITLAB_BASE_BRANCH="$GITLAB_BASE_BRANCH" \
--set-env-vars JIRA_USERNAME="$JIRA_USERNAME" \
--set-env-vars JIRA_INSTANCE_URL="$JIRA_INSTANCE_URL" \
--set-env-vars JIRA_PROJECT_KEY="$JIRA_PROJECT_KEY" \
--set-env-vars JIRA_CLOUD="$JIRA_CLOUD" \
--set-env-vars LANGCHAIN_TRACING_V2="$LANGCHAIN_TRACING_V2" \
--update-secrets="LANGCHAIN_API_KEY=LANGCHAIN_API_KEY:latest" \
--update-secrets="GITLAB_PERSONAL_ACCESS_TOKEN=GITLAB_PERSONAL_ACCESS_TOKEN:latest" \
--update-secrets="JIRA_API_TOKEN=JIRA_API_TOKEN:latest" \
--min-instances=1 \
--max-instances=3
Responda Y para criar o repositório Docker do Artifact Registry.
Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository named [cloud-run-source-deploy] in
region [us-central1] will be created.
Do you want to continue (Y/n)? y
Peça ao Gemini para explicar o comando:
What does this command do?
gcloud run deploy devai-api \
--source=. \
--region="$LOCATION" \
--allow-unauthenticated \
--service-account vertex-client \
--set-env-vars PROJECT_ID="$PROJECT_ID" \
--set-env-vars LOCATION="$LOCATION" \
--set-env-vars GITLAB_URL="$GITLAB_URL" \
--set-env-vars GITLAB_REPOSITORY="$GITLAB_REPOSITORY" \
--set-env-vars GITLAB_BRANCH="$GITLAB_BRANCH" \
--set-env-vars GITLAB_BASE_BRANCH="$GITLAB_BASE_BRANCH" \
--set-env-vars JIRA_USERNAME="$JIRA_USERNAME" \
--set-env-vars JIRA_INSTANCE_URL="$JIRA_INSTANCE_URL" \
--set-env-vars JIRA_PROJECT_KEY="$JIRA_PROJECT_KEY" \
--set-env-vars JIRA_CLOUD="$JIRA_CLOUD" \
--set-env-vars LANGCHAIN_TRACING_V2="$LANGCHAIN_TRACING_V2" \
--update-secrets="LANGCHAIN_API_KEY=LANGCHAIN_API_KEY:latest" \
--update-secrets="GITLAB_PERSONAL_ACCESS_TOKEN=GITLAB_PERSONAL_ACCESS_TOKEN:latest" \
--update-secrets="JIRA_API_TOKEN=JIRA_API_TOKEN:latest" \
--min-instances=1 \
--max-instances=3
Analise o fluxo gcloud run deploy SERVICE_NAME --source=. abaixo. Saiba mais.
Nos bastidores, esse comando usa o buildpacks e o Cloud Build do Google Cloud para criar automaticamente imagens de contêiner a partir do código-fonte sem instalar o Docker na máquina ou configurar os buildpacks ou o Cloud Build. Ou seja, o comando único descrito acima faz o que exigiria os comandos gcloud builds submit e gcloud run deploy.
Se você tiver fornecido um Dockerfile(como fizemos neste repositório), o Cloud Build vai usá-lo para criar imagens de contêiner em vez de depender dos pacotes de build para detectar e criar imagens de contêiner automaticamente. Para saber mais sobre buildpacks, consulte a documentação.
Revise os registros do Cloud Build no Console.
Revise a imagem Docker criada no Artifact Registry.
Revise os detalhes da instância do Cloud Run no console do Cloud.
Teste o endpoint executando o comando curl.
curl -X POST \
-H "Content-Type: application/json" \
-d '{"prompt": "PROJECT-100"}' \
$(gcloud run services list --filter="(devai-api)" --format="value(URL)")/generate
A resposta será no formato Markdown. Exibição no modo de visualização para melhor legibilidade.
7. Vertex AI Agent Builder
Pesquise e abra "Agent Builder".
Ative as APIs:
Criar um app de agente de conversação:
Ative a API Dialogflow:
Selecione o projeto:
Clique em "Criar agente":
Selecione "Criar o seu próprio".
Digite "Agente" como nome de exibição e clique em "Criar".
Defina o nome do playbook:
Agent
Definir objetivo:
Help user with questions about JIRA project
Instruções do conjunto:
- Greet the users, then ask how you can help them today.
- Summarize the user's request and ask them to confirm that you understood correctly.
- If necessary, seek clarifying details.
- Thank the user for their business and say goodbye.
Clique em "Salvar":
Teste o agente usando o chat do simulador à direita:
Passe o cursor sobre o ícone de chave inglesa à esquerda. Abra o menu "Ferramentas" e crie uma nova ferramenta:
Selecione OpenAPI no menu suspenso "Tipo".
Definir nome da ferramenta:
jira-project-status
Descrição do conjunto:
Provides JIRA project status
Set Schema (YAML): substitua o URL DO SEU CLOUD RUN. Alterne as guias e verifique a saída do console para o URL do serviço do Cloud Run.
openapi: 3.0.0
info:
title: CR API
version: 1.0.0
description: >-
This is the OpenAPI specification of a service.
servers:
- url: 'https://YOUR CLOUD RUN URL'
paths:
/generate:
post:
summary: Request impl
operationId: generate
requestBody:
description: Request impl
required: true
content:
application/json:
schema:
$ref: '#/components/schemas/Prompt'
responses:
'200':
description: Generated
content:
application/json:
schema:
$ref: '#/components/schemas/ProjectStatus'
components:
schemas:
Prompt:
type: object
required:
- prompt
properties:
prompt:
type: string
ProjectStatus:
type: object
required:
- message
properties:
message:
type: string
Salve a configuração da ferramenta:
Retorne à configuração do agente selecionando "Playbooks" no menu à esquerda e atualize as instruções para usar a ferramenta:
Adicione instruções para usar a nova ferramenta e clique em "Salvar":
- Use ${TOOL: jira-project-status} to help the user with JIRA project status.
Mude para a guia "Exemplos" e adicione um novo exemplo:
Definir nome de exibição:
jira-project-flow
Usando o menu na parte de baixo, modele a conversa entre o usuário e o agente:
Veja um exemplo da ordem das ideias:
Resposta do agente: Qual é o ID do projeto?
Entrada do usuário: TEST-PROJECT-100
Uso da ferramenta: jira-project-status
Resposta do agente: detalhes do status do projeto.
Use a referência abaixo para criar o exemplo.
Clique em "Salvar". Volte ao simulador do agente e teste o fluxo. Redefinir as conversas atuais.
Parabéns! Ao integrar ferramentas vinculadas à API implantada no Cloud Run, você permitiu que o agente realizasse ações.
Consulte as práticas recomendadas para agentes da Vertex AI.
Analisar as configurações disponíveis do agente
- Configurações de registro: ativar o Cloud Logging
- Integração com o Git: permite enviar e receber o agente de um repositório Git.
- Seleção de modelo generativo
- Limites de token(entrada e saída)
Revise os controles do simulador do agente:
8. Integração com o Slack
Abra o menu "Integrations" e clique em "Connect" no bloco do Slack.
Abra o link e crie um novo app do Slack em https://api.slack.com/apps.
Selecione em "Manifesto":
Escolher um espaço de trabalho para desenvolver seu app
Mude para YAML e cole este manifesto:
display_information:
name: Agent
description: Agent
background_color: "#1148b8"
features:
app_home:
home_tab_enabled: false
messages_tab_enabled: true
messages_tab_read_only_enabled: false
bot_user:
display_name: Agent
always_online: true
oauth_config:
scopes:
bot:
- app_mentions:read
- chat:write
- im:history
- im:read
- im:write
- incoming-webhook
settings:
event_subscriptions:
request_url: https://dialogflow-slack-4vnhuutqka-uc.a.run.app
bot_events:
- app_mention
- message.im
org_deploy_enabled: false
socket_mode_enabled: false
token_rotation_enabled: false
Clique em "Criar":
Instalar no Workspace:
Selecione o canal "#general" e clique em "Permitir".
Em "Informações básicas / Credenciais do app", copie "Chave secreta de assinatura" e defina-a na integração do agente com o Slack como valor para o campo "Token de assinatura".
Abra "OAuth e permissões", copie o "Token de OAuth do usuário de bot" e defina-o na integração do agente com o Slack como valor para o campo "Token de acesso".
Defina os campos obrigatórios e clique em "Iniciar".
O valor Token de acesso do agente é Token de acesso do usuário do bot do Slack.
O valor do token de assinatura do agente é "Signing Secret" do Slack.
Copie "Webhook URL" e volte para a configuração do app Slack.
Abra a seção "Assinaturas de eventos" e cole o URL.
Salve as alterações.
Abra o Slack e adicione um agente digitando "@Agent".
Por exemplo, adicionar um app com o nome "@CX".
Peça ao agente um resumo do projeto do JIRA.
Parabéns! O agente foi integrado ao espaço de trabalho do Slack.
9. Perguntas e respostas sobre documentos PDF
Esta seção descreve como estabelecer um repositório de dados usando um documento PDF e vinculá-lo ao agente, ativando a funcionalidade de perguntas e respostas com base no conteúdo do documento.
crie o bucket do Cloud Storage
Abra o Cloud Shell: https://shell.cloud.google.com/
Defina o nome do bucket usando os últimos cinco dígitos do seu projeto do GCP. Exemplo: pdf-docs-3dw21
BUCKET_NAME=pdf-docs-LAST-5-DIGITS-OF-YOUR-PROJECT
Crie um bucket e faça upload de um documento PDF.
gcloud storage buckets create gs://$BUCKET_NAME \
--location=us \
--default-storage-class=STANDARD \
--no-public-access-prevention \
--uniform-bucket-level-access
wget https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf
gsutil cp exec_guide_gen_ai.pdf gs://$BUCKET_NAME
Configuração do repositório de dados
Volte ao console do agente, abra "Agent", role para baixo e clique em "+ Data store".
Use os seguintes valores:
Nome da ferramenta: pdf-docs
Tipo: Data store
Descrição: pdf-docs
Clique em "Save".
Clique em "Add data stores" na parte de baixo da página. Em seguida, clique em "Create new data store".
Selecione "Cloud Storage" como a fonte de dados.
Selecionar: Unstructured documents
E selecione o bucket/pasta do GCS.
Selecione "us" para o local do repositório de dados.
Para o nome do repositório de dados, digite: "pdf-docs"
Selecione "Digital parser" no menu suspenso.
Ative a divisão avançada.
Ative os títulos ancestrais em blocos.
Clique em "Create".
Clique no repositório de dados e revise os documentos, a atividade e a configuração de processamento.
A importação vai levar cerca de 5 a 10 minutos.
Opções de análise e fragmentação
É possível controlar a análise do conteúdo das seguintes maneiras:
- Parecedor digital. O analisador digital fica ativado por padrão para todos os tipos de arquivo, a menos que um tipo de analisador diferente seja especificado. O analisador digital processa documentos ingeridos se nenhum outro analisador padrão for especificado para o repositório de dados ou se o analisador especificado não oferecer suporte ao tipo de arquivo de um documento ingerido.
- Análise OCR para PDFs. Pré-lançamento público. Se você planeja fazer upload de PDFs digitalizados ou com texto dentro de imagens, ative o analisador de OCR para melhorar a indexação de PDFs. Consulte Sobre a análise de OCR para PDFs.
- Analisador de layout. Ative o analisador de layout para arquivos HTML, PDF ou DOCX se você planeja usar a Vertex AI para Pesquisa para RAG. Consulte Documentos de divisão para RAG para informações sobre esse analisador e como ativá-lo.
Saiba mais sobre a análise e a divisão de documentos.
Configuração da ferramenta
Volte para a tela de configuração da ferramenta do agente e atualize os repositórios de dados disponíveis.
Selecione o repositório de dados que você acabou de criar e clique em "Confirm".
Configure o aterramento.
Digite "Google Cloud" para o nome da empresa.
Configurações do payload: marque "Include snippets in Conversational Messenger response payload"". Defina o valor como 5.
Clique em "Salvar".
Configuração das instruções do agente
Volte para a configuração do agente.
Adicionar nova instrução:
- Provide detailed answer to users questions about the exec guide to gen ai using information in the ${TOOL:pdf-docs}
Salve a configuração.
Criar um exemplo para a ferramenta PDF-Docs
Alterne para a guia "Exemplos". Criar um novo exemplo: Guide to generative AI
Usando as ações "+":
Adicionar "Entrada do usuário":
What are the main capabilities for generative AI?
Adicione "Uso da ferramenta".
- Ferramenta e ação: "
pdf-docs"
Entrada (requestBody)
{
"query": "Main capabilities for generative AI",
"filter": "",
"userMetadata": {},
"fallback": ""
}
Saída da ferramenta:
{
"answer": "Detailed answer about main capabilities for generative AI",
"snippets": [
{
"uri": "https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf",
"text": "Detailed answer about main capabilities",
"title": "exec_guide_gen_ai"
}
]
}
Adicionar "Resposta do agente"
Detailed answer about main capabilities.
https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf
Exemplo configurado:
Configuração de invocação da ferramenta:
Mude para o simulador para testar a configuração.
Pergunta:
What are the 10 steps in the exec guide?
Selecione "Agent" no menu suspenso "Invocações" e clique em "Save as example".
Forneça um nome "user-question-flow".
Defina o resumo: "Agent helped user answer question based on the pdf document" e clique em "Salvar".
Formate a resposta do agente e inclua o link para o documento PDF na seção de saída da ferramenta.
Salve o exemplo.
Volte ao simulador e clique em "Replay conversation". Verifique o formato da resposta atualizada. Se você receber um erro após salvar o exemplo, talvez seja necessário atualizar a janela do navegador e reiniciar a conversa enviando o comando novamente:
What are the 10 steps in the exec guide?
Faça outra pergunta:
What are the main capabilities in the exec guide?
Documento PDF de origem.
Pergunta:
What should I consider when evaluating projects?
Documento PDF de origem.
Pergunta:
What are the priority use cases in Retail and CPG in the exec guide?
Documento PDF de origem.
Parabéns! Agora o agente pode dar respostas com base nos documentos PDF.
10. Prebuilt Agents
Em seguida, você vai conhecer os agentes pré-criados no menu à esquerda.
Selecione um dos agentes e implante. Conheça a configuração, as instruções e as ferramentas do Agente.
11. Parabéns!
Parabéns, você concluiu o laboratório!
O que aprendemos:
- Como criar e implantar agentes de conversação
- Como adicionar uma ferramenta para o agente com suporte do aplicativo do Cloud Run
- Como integrar o agente ao espaço de trabalho do Slack
- Como configurar o repositório de dados para perguntas e respostas em documentos PDF
O que vem em seguida:
- Consulte as práticas recomendadas para agentes da Vertex AI.
Limpar
Para evitar cobranças na sua conta do Google Cloud pelos recursos usados no tutorial, exclua o projeto ou mantenha o projeto e exclua cada um dos recursos.
Excluir o projeto
O jeito mais fácil de evitar cobranças é excluindo o projeto que você criou para este tutorial.
©2024 Google LLC Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de empresas e produtos podem ser marcas registradas das empresas a que estão associados.