Catatan: Vertex AI Search diganti namanya menjadi Agent Search. Kami sedang dalam proses memperbarui konten untuk mencerminkan branding baru ini.

Google menggunakan teknologi AI untuk menerjemahkan konten ke dalam bahasa pilihan Anda. Terjemahan AI mungkin mengandung kesalahan.

Mendapatkan jawaban dan tindak lanjut

Halaman ini memperkenalkan penelusuran dengan jawaban dan tindak lanjut untuk Agent Search dan menunjukkan cara menerapkannya untuk aplikasi penelusuran kustom menggunakan panggilan metode.

Penelusuran dengan jawaban dan tindak lanjut didasarkan pada metode jawaban. Metode answer menggantikan fitur ringkasan dari metode search yang lebih lama dan semua fitur dari metode converse yang tidak digunakan lagi. Metode jawaban juga memiliki beberapa fitur tambahan penting, seperti kemampuan untuk menangani kueri yang kompleks.

Fitur metode jawaban

Fitur utama metode jawaban adalah sebagai berikut:

Kemampuan untuk membuat jawaban atas kueri yang kompleks. Misalnya, metode jawaban dapat menguraikan kueri gabungan, seperti berikut, menjadi beberapa kueri yang lebih kecil untuk menampilkan hasil yang lebih baik yang digunakan untuk menghasilkan jawaban yang lebih baik:
- "Berapa pendapatan Google Cloud dan Google Ads pada tahun 2024?"
- "Setelah berapa tahun sejak didirikan, Google mencapai pendapatan 1 miliar USD?"
Kemampuan untuk menggabungkan penelusuran dan pembuatan jawaban dalam percakapan multi-turn dengan memanggil metode jawaban di setiap giliran.
Kemampuan untuk dipasangkan dengan metode penelusuran guna mengurangi latensi penelusuran. Anda dapat memanggil metode penelusuran dan metode jawaban secara terpisah serta merender hasil penelusuran dan jawaban dalam iframe yang berbeda pada waktu yang berbeda. Artinya, Anda dapat menampilkan hasil penelusuran (10 link biru) kepada pengguna dalam milidetik. Anda tidak perlu menunggu jawaban dibuat sebelum Anda dapat menampilkan hasil penelusuran.

Fitur jawaban dan tindak lanjut dapat dibagi menjadi tiga fase kueri, penelusuran, dan jawaban:

Fitur fase kueri
Fitur fase penelusuran
Fitur fase jawaban

Kapan harus menggunakan jawaban dan kapan harus menggunakan penelusuran

Agent Search memiliki dua metode yang digunakan untuk membuat kueri aplikasi. Keduanya memiliki fitur yang berbeda tetapi tumpang-tindih.

Gunakan metode jawaban saat:

Anda menginginkan jawaban (atau ringkasan) yang dibuat AI dari hasil penelusuran.
Anda menginginkan penelusuran bergiliran, yaitu penelusuran yang mempertahankan konteks sehingga memungkinkan pertanyaan lanjutan.

Gunakan metode search dalam kasus berikut:

Anda hanya memerlukan hasil penelusuran, bukan jawaban yang dihasilkan.
Anda memiliki salah satu dari hal berikut:
- Data media atau kesehatan
- Embedding Anda sendiri
- Kontrol sinonim atau pengalihan
- Faset
- Kode negara pengguna
Anda perlu menjelajahi data di penyimpanan data generik Anda.

Gunakan metode jawaban dan penelusuran bersama-sama saat:

Anda ingin menampilkan lebih dari sepuluh hasil penelusuran, dan Anda menginginkan jawaban yang dibuat.
Anda mengalami masalah latensi dan ingin menampilkan hasil penelusuran dengan cepat sebelum jawaban yang dihasilkan ditampilkan.

Fitur fase kueri

Fitur jawaban dan tindak lanjut mendukung pemrosesan kueri bahasa alami.

Bagian ini menjelaskan dan menggambarkan berbagai opsi untuk pengubahan frasa dan klasifikasi kueri.

Pengubahan frasa kueri

Pengubahan frasa kueri diaktifkan secara default. Fitur ini memilih cara terbaik untuk memparafrasakan kueri secara otomatis guna meningkatkan hasil penelusuran. Fitur ini juga dapat menangani kueri yang tidak memerlukan pengubahan kata-kata.

Menguraikan kueri kompleks menjadi beberapa kueri dan melakukan sub-kueri sinkron.

Misalnya: Kueri kompleks dipecah menjadi empat kueri yang lebih kecil dan sederhana.

Input pengguna	Sub-kueri yang dibuat dari kueri kompleks
Apa pekerjaan dan hobi yang dimiliki Andie Ram dan Arnaud Clément?	Pendudukan Andie Ram Pekerjaan Arnaud Clément Hobi Andie Ram Hobi Arnaud Clément

Menyintesis kueri multigiliran, untuk membuat pertanyaan lanjutan yang sadar konteks dan memiliki status.

Misalnya: Kueri yang disintesis dari input pengguna di setiap giliran mungkin terlihat seperti ini:

Input pengguna	Kueri yang disintesis
Turn 1: laptop untuk sekolah	laptop untuk sekolah
Giliran 2: bukan mac	laptop untuk sekolah selain mac
Turn 3: layar yang lebih besar dan saya juga memerlukan keyboard dan mouse nirkabel	laptop dengan layar lebih besar untuk sekolah, bukan mac, dengan keyboard dan mouse nirkabel
Turn 4: dan ransel untuknya	laptop layar yang lebih besar untuk sekolah, bukan Mac, dengan keyboard dan mouse nirkabel serta ransel untuk laptop tersebut

Menyederhanakan kueri panjang untuk meningkatkan pengambilan (memerlukan opsi Respons generatif).

Misalnya: Kueri panjang dipersingkat menjadi kueri umum.

Input pengguna	Kueri disederhanakan
Saya mencoba mencari tahu mengapa tombol \"Tambahkan ke Keranjang\" di situs kami tidak berfungsi dengan baik. Sepertinya saat pengguna mengklik tombol, item tidak ditambahkan ke keranjang dan mereka menerima pesan error. Saya telah memeriksa kodenya dan tampaknya sudah benar, jadi saya tidak yakin apa masalahnya. Dapatkah Anda membantu saya memecahkan masalah ini?	Tombol "Tambahkan ke Keranjang" tidak berfungsi di situs.

Melakukan penalaran multi-langkah

Penalaran multi-langkah didasarkan pada paradigma ReAct (reason + act) yang memungkinkan LLM menyelesaikan tugas kompleks menggunakan penalaran bahasa alami. Secara default, jumlah langkah maksimum adalah lima.

Contoh:

Input pengguna	Dua langkah untuk menghasilkan jawaban
Setelah berapa tahun sejak didirikan, Google mencapai pendapatan 1 miliar USD?	Langkah 1: [Pemikiran]: Saya perlu mengetahui kapan Google didirikan, lalu saya dapat mengkuerinya untuk mengetahui pendapatannya sejak saat itu. [Tindakan] Penelusuran: Kapan Google didirikan?[Amati Hasil Penelusuran]: "1998" Langkah 2: [Pemikiran]: Sekarang saya perlu mencari tahu pendapatan tahunan Google sejak tahun 1998, dan mencari tahu kapan pertama kali melampaui 1 miliar. [Tindakan] Penelusuran: Pendapatan Google sejak 1998 [Amati Hasil Penelusuran] Pendapatan Google pada tahun 1998, Pendapatan Google pada tahun 1999….. [Jawaban]: Google mencapai pendapatan lebih dari 1 miliar USD pada tahun 2003 [1], 5 tahun setelah didirikan pada tahun 1998[2].

Input pengguna

Dua langkah untuk menghasilkan jawaban

Setelah berapa tahun sejak didirikan, Google mencapai pendapatan 1 miliar USD?

Langkah 1:
[Pemikiran]: Saya perlu mengetahui kapan Google didirikan, lalu saya dapat mengkuerinya untuk mengetahui pendapatannya sejak saat itu.
[Tindakan] Penelusuran: Kapan Google didirikan?[Amati Hasil Penelusuran]: "1998"

Langkah 2:
[Pemikiran]: Sekarang saya perlu mencari tahu pendapatan tahunan Google sejak tahun 1998, dan mencari tahu kapan pertama kali melampaui 1 miliar.
[Tindakan] Penelusuran: Pendapatan Google sejak 1998
[Amati Hasil Penelusuran] Pendapatan Google pada tahun 1998, Pendapatan Google pada tahun 1999…..
[Jawaban]: Google mencapai pendapatan lebih dari 1 miliar USD pada tahun 2003 [1], 5 tahun setelah didirikan pada tahun 1998[2].

Penalaran multi-langkah mengharuskan opsi Respons generatif diaktifkan.

Klasifikasi kueri

Opsi klasifikasi kueri adalah untuk mengidentifikasi kueri yang bersifat merugikan dan kueri yang tidak mencari jawaban. Secara default, opsi klasifikasi kueri dinonaktifkan.

Untuk mengetahui informasi selengkapnya tentang kueri yang bersifat merugikan dan tidak mencari jawaban, lihat Mengabaikan kueri yang bersifat merugikan dan Mengabaikan kueri yang tidak mencari ringkasan.

Fitur fase penelusuran

Untuk penelusuran, metode jawaban memiliki opsi yang sama dengan metode penelusuran. Misalnya:

Menerapkan filter untuk membatasi penelusuran pada dokumen tertentu. Untuk informasi selengkapnya, lihat Memfilter penelusuran khusus untuk data terstruktur atau tidak terstruktur.
Menerapkan SafeSearch untuk mengecualikan konten vulgar, seperti kekerasan dan pornografi. Untuk mengetahui informasi selengkapnya, lihat Setelan keamanan untuk Penelusuran Agen.
Menentukan kondisi penguatan untuk mempromosikan atau menurunkan peringkat dokumen yang ditampilkan oleh penelusuran. Untuk mengetahui informasi selengkapnya, lihat Meningkatkan hasil penelusuran.

Fitur fase jawaban

Selama fase jawaban, saat jawaban dibuat dari hasil penelusuran, Anda dapat mengaktifkan fitur yang sama seperti pada metode penelusuran. Contoh:

Mendapatkan kutipan untuk menunjukkan sumber setiap kalimat dalam jawaban. Untuk mengetahui informasi selengkapnya, lihat Menyertakan kutipan.
Gunakan pengantar perintah untuk menyesuaikan jawaban terkait hal-hal seperti nada bahasa, gaya, dan panjang jawaban. Untuk mengetahui informasi selengkapnya, lihat Menentukan pembuka kustom.
Pilih model Vertex AI yang akan digunakan untuk pembuatan jawaban. Untuk mengetahui informasi selengkapnya, lihat Versi dan siklus proses model pembuatan jawaban.
Pilih apakah akan mengabaikan kueri yang telah diklasifikasikan sebagai kueri yang merugikan atau tidak mencari jawaban.

Untuk mengetahui informasi selengkapnya tentang kueri yang bersifat memusuhi dan tidak mencari jawaban, lihat Mengabaikan kueri yang bersifat memusuhi dan Mengabaikan kueri yang tidak mencari ringkasan. Kueri yang tidak mencari jawaban juga disebut kueri yang tidak mencari ringkasan.

Fitur fase jawaban tambahan yang tidak tersedia dalam metode penelusuran adalah:

Mendapatkan skor dukungan untuk setiap klaim (kalimat dalam jawaban yang dihasilkan). Skor dukungan adalah nilai floating point dalam rentang [0,1] yang menunjukkan seberapa kuat klaim tersebut didasarkan pada data di penyimpanan data. Untuk mengetahui informasi selengkapnya, lihat Menampilkan skor perujukan.
Mendapatkan skor dukungan gabungan untuk jawaban. Skor dukungan menunjukkan seberapa baik jawaban didasarkan pada data di penyimpanan data. Untuk mengetahui informasi selengkapnya, lihat Skor dukungan perujukan balik.
Hanya berikan jawaban yang memiliki dasar yang kuat. Anda dapat memilih untuk hanya menampilkan jawaban yang memenuhi nilai minimum skor dukungan tertentu. Untuk mengetahui informasi selengkapnya, lihat Hanya tampilkan jawaban yang memiliki rujukan yang kuat.
Pilih untuk menampilkan pertanyaan terkait. Pertanyaan terkait adalah saran yang dapat dipilih pengguna Anda, alih-alih memasukkan pertanyaan mereka sendiri.
Tambahkan informasi personalisasi ke kueri sehingga jawaban dapat disesuaikan untuk setiap pengguna. Untuk mengetahui informasi selengkapnya, lihat Mempersonalisasi jawaban.

Untuk menerima jawaban multimodal yang menyertakan diagram atau gambar selain teks, tersedia opsi berikut:

Mendapatkan jawaban yang menyertakan diagram dan grafik yang memetakan data yang ada dalam jawaban. Untuk mengetahui informasi selengkapnya, lihat Membuat diagram untuk jawaban.
Mengambil gambar dari penyimpanan data. Jika penyimpanan data berisi gambar, metode jawaban dapat menampilkan gambar dalam jawaban. Gambar dari penyimpanan data juga dapat ditampilkan dalam referensi jika kutipan diminta. Untuk mengetahui informasi selengkapnya, lihat Mengambil gambar yang ada dari penyimpanan data.

Sebelum memulai

Bergantung pada jenis aplikasi yang Anda miliki, selesaikan persyaratan berikut:

Jika Anda memiliki aplikasi penelusuran terstruktur, tidak terstruktur, atau situs, aktifkan opsi berikut:
- Fitur edisi Enterprise: Fitur ini memberi Anda akses ke fitur jawaban generatif inti. Hal ini mencakup semua fitur pembuatan jawaban, kecuali fitur jawaban generatif lanjutan, seperti pertanyaan terkait, penyederhanaan kueri, kueri multi-turn, dan jawaban multimodal yang menampilkan gambar dan diagram.
- Respons generatif: Fitur ini memberi Anda akses ke fitur jawaban generatif lanjutan yang memerlukan penalaran multi-langkah, penyederhanaan kueri, kueri multi-giliran, pertanyaan terkait, dan jawaban multimodal yang menampilkan gambar dan diagram.
Selain itu, jika Anda memiliki penyimpanan data penelusuran situs, aktifkan Pengindeksan situs lanjutan.

Penelusuran dan jawaban (dasar)

Perintah berikut menunjukkan cara memanggil metode answer dan menampilkan jawaban yang dihasilkan serta daftar hasil penelusuran, dengan link ke sumbernya.

Perintah ini hanya menampilkan input yang diperlukan. Opsi dibiarkan pada defaultnya.

REST

Untuk menelusuri dan mendapatkan hasil dengan jawaban yang dihasilkan, lakukan hal berikut:

Jalankan perintah curl berikut:

curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://discoveryengine.googleapis.com/v1/projects/PROJECT_ID/locations/global/collections/default_collection/engines/APP_ID/servingConfigs/default_search:answer" \
  -d '{
        "query": { "text": "QUERY"}
      }'

Ganti kode berikut:

PROJECT_ID: ID Google Cloud project Anda.
APP_ID: ID aplikasi Agent Search yang ingin Anda kueri.
QUERY: string teks bebas yang berisi pertanyaan atau kueri penelusuran. Misalnya, "Bandingkan database BigQuery dan Spanner?".

Contoh perintah dan hasil parsial

curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
"https://discoveryengine.googleapis.com/v1/projects/my-project-123/locations/global/collections/default_collection/engines/my-app/servingConfigs/default_search:answer" \
-d '{"query": { "text": "Which database is faster, bigquery or spanner?"}}'
        
{
  "answer": {
    "state": "SUCCEEDED",
    "answerText": "The provided sources do not directly compare the speed of BigQuery and Spanner.  However, they do highlight the performance capabilities of each database. BigQuery is described as having strong query performance, particularly for short and complex queries.  It also offers a serverless architecture that provides consistent performance regardless of query complexity.  Spanner is described as having high performance at virtually unlimited scale, with single-digit millisecond latency for strongly-consistent reads and writes.  It also offers a five-nines availability SLA.  Ultimately, the best database for a particular use case will depend on the specific requirements of the application. \n",
    "steps": [
      {
        "state": "SUCCEEDED",
        "description": "Rephrase the query and search.",
        "actions": [
          {
            "searchAction": {
              "query": " What is the performance of BigQuery?"
            },
            "observation": {
              "searchResults": [
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/9ab3ef91bcfde1fcd091efe9df7c699c",
                  "uri": "https://cloud.google.com/bigquery/docs/best-practices-performance-overview",
                  "title": "Introduction to optimizing query performance | BigQuery | Google Cloud",
                  "snippetInfo": [
                    {
                      "snippet": "After a query begins execution, \u003cb\u003eBigQuery\u003c/b\u003e calculates how many slots each query stage uses based on the stage size and complexity and the number of slots ...",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                },
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/4e545c5cb69b06b251265114d9099cb4",
                  "uri": "https://cloud.google.com/bigquery/docs/query-insights",
                  "title": "Get query performance insights | BigQuery | Google Cloud",
                  "snippetInfo": [
                    {
                      "snippet": "This document describes how to use the query execution graph to diagnose query \u003cb\u003eperformance\u003c/b\u003e issues, and to see query \u003cb\u003eperformance\u003c/b\u003e insights. \u003cb\u003eBigQuery\u003c/b\u003e offers ...",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                },
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/d34672d877eefe596f9c7d1a3d7076b1",
                  "uri": "https://cloud.google.com/bigquery/docs/best-practices-performance-compute",
                  "title": "Optimize query computation | BigQuery | Google Cloud",
                  "snippetInfo": [
                    {
                      "snippet": "After addressing the query \u003cb\u003eperformance\u003c/b\u003e insights, you can further optimize your query by performing the following tasks: Reduce data that is to be processed ...",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                },
                ...
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/75ce2f05833683e60ddc21a11ce0466f",
                  "uri": "https://cloud.google.com/blog/products/data-analytics/troubleshoot-and-optimize-your-bigquery-analytics-queries-with-query-execution-graph/",
                  "title": "Troubleshoot and optimize your BigQuery analytics queries with query execution graph | Google Cloud Blog",
                  "snippetInfo": [
                    {
                      "snippet": "Since query \u003cb\u003eperformance\u003c/b\u003e is multi-faceted, \u003cb\u003eperformance\u003c/b\u003e insights might only provide a partial picture of the overall query \u003cb\u003eperformance\u003c/b\u003e. Execution graph. When ...",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                }
              ]
            }
          },
          {
            "searchAction": {
              "query": " What is the performance of Spanner?"
            },
            "observation": {
              "searchResults": [
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/f3d036b60379873acf7c73081c5e5b5c",
                  "uri": "https://cloud.google.com/spanner/docs/performance",
                  "title": "Performance overview | Spanner | Google Cloud",
                  "snippetInfo": [
                    {
                      "snippet": "These \u003cb\u003eperformance\u003c/b\u003e improvements should result in higher throughput and better latency in \u003cb\u003eSpanner\u003c/b\u003e nodes in both regional and multi-region instance configurations.",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                },
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/422496248ade354c73b4c906b8eb9b5f",
                  "uri": "https://cloud.google.com/blog/products/databases/announcing-cloud-spanner-price-performance-updates",
                  "title": "Announcing Cloud Spanner price-performance updates | Google Cloud Blog",
                  "snippetInfo": [
                    {
                      "snippet": "Alongside lower costs, Cloud \u003cb\u003eSpanner\u003c/b\u003e provides single-digit ms latencies and strong consistency across multiple availability zones in the same region.",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                },
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/53c2a1a6990480ba4aa05cc6b4404562",
                  "uri": "https://cloud.google.com/blog/topics/developers-practitioners/understanding-cloud-spanner-performance-metrics-scale-key-visualizer",
                  "title": "Understanding Cloud Spanner performance metrics at scale with Key Visualizer | Google Cloud Blog",
                  "snippetInfo": [
                    {
                      "snippet": "Designed for \u003cb\u003eperformance\u003c/b\u003e tuning and instance sizing, you can use Key Visualizer today in the web-based Cloud Console for all \u003cb\u003eSpanner\u003c/b\u003e databases at no additional ...",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                },
                ...
                {
                  "document": "projects/123456/locations/global/collections/default_collection/dataStores/my-data-store/branches/0/documents/a6501ecd5d6391e3ade49097bab0ad3a",
                  "uri": "https://cloud.google.com/blog/products/databases/a-technical-overview-of-cloud-spanners-query-optimizer",
                  "title": "A technical overview of Cloud Spanner's query optimizer | Google Cloud Blog",
                  "snippetInfo": [
                    {
                      "snippet": "... performance. Typically, a join will ... Google is continuously improving out-of-the-box \u003cb\u003eperformance of Spanner\u003c/b\u003e and reducing the need for manual tuning.",
                      "snippetStatus": "SUCCESS"
                    }
                  ]
                }
              ]
            }
          }
        ]
      }
    ]
  },
  "answerQueryToken": "NMwKDAj1_d62BhC72_X_AhIkNjZkN2I4YWEtMDAwMC0yYTdiLWIxMmMtMDg5ZTA4MjhlNzY0"
}

Dalam contoh ini, kueri diuraikan menjadi beberapa bagian: "Bagaimana performa Spanner?" dan "Bagaimana performa BigQuery?"

Python

Untuk mengetahui informasi selengkapnya, lihat dokumentasi referensi API Python Agent Search.

Untuk melakukan autentikasi ke Agent Search, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan autentikasi untuk lingkungan pengembangan lokal.

from google.api_core.client_options import ClientOptions
from google.cloud import discoveryengine_v1 as discoveryengine

# TODO(developer): Uncomment these variables before running the sample.
# project_id = "YOUR_PROJECT_ID"
# location = "YOUR_LOCATION"                    # Values: "global", "us", "eu"
# engine_id = "YOUR_APP_ID"


def answer_query_sample(
    project_id: str,
    location: str,
    engine_id: str,
) -> discoveryengine.AnswerQueryResponse:
    #  For more information, refer to:
    # https://cloud.google.com/generative-ai-app-builder/docs/locations#specify_a_multi-region_for_your_data_store
    client_options = (
        ClientOptions(api_endpoint=f"{location}-discoveryengine.googleapis.com")
        if location != "global"
        else None
    )

    # Create a client
    client = discoveryengine.ConversationalSearchServiceClient(
        client_options=client_options
    )

    # The full resource name of the Search serving config
    serving_config = f"projects/{project_id}/locations/{location}/collections/default_collection/engines/{engine_id}/servingConfigs/default_serving_config"