基準化技術可協助模型生成更值得信賴、實用且符合事實的回覆。建立生成式 AI 模型回覆內容的基準時，您可以將回覆內容連結至可驗證的資訊來源。如要實作基礎，您必須擷取相關來源資料。建議的最佳做法是使用檢索增強生成 (RAG) 技術。檢索工作通常由搜尋引擎負責處理，這個工具會使用索引，其中嵌入了來源文字的語意。
此外，還有實作 RAG 生命週期的服務和元件 API，例如 Agent Search Builder API，可讓您混搭建構。您可以混搭使用下列任一服務或 API，實作 RAG 解決方案：
- 基準生成 API：可用於導入基準，或連結至檢索供應商，完成 RAG 生命週期。
- 文件版面配置剖析器：這個剖析器結合了 Document AI 和 Gemini 的優勢，可提供最佳的文件理解體驗。如要進一步瞭解版面配置剖析器，請參閱「使用版面配置剖析器」。
- Gemini Enterprise Agent Platform Vector Search：這項向量搜尋服務效能極高，並使用高品質的向量資料庫。
- Check grounding API：這個 API 會比較 RAG 輸出內容與擷取的事實，確保所有陳述內容都有根據，再將回應傳回給使用者。
使用 Gemini Enterprise Agent Platform 的 RAG Engine 產生以事實為依據的回覆
如要使用 RAG Engine 建立回應基準，請建立提示。請執行下列步驟：
前往 Google Cloud 控制台的「Agent Studio」頁面。
在側邊面板的「模型設定」下方，前往「基礎」部分，然後開啟「你的資料」切換鈕。
在設定窗格中，選取「RAG Engine」做為基礎來源。
從「Corpus」(語料庫) 清單中選取語料庫名稱。
在「Top-K 相似度」欄位中，選取預設值「20」。
按一下 [儲存]。
後續步驟
- 如要進一步瞭解負責任的 AI 技術和安全篩選器，請參閱負責任的 AI 技術最佳做法和 Gemini Enterprise Agent Platform 的安全篩選器。
- 如要進一步瞭解 RAG Engine 如何實作 RAG，請參閱「RAG Engine」。