Firebase Genkit zapewnia prosty interfejs do generowania treści przy użyciu modeli LLM.
Modele
Modele w Firebase Genkit to biblioteki i abstrakcje, które zapewniają dostęp do z wieloma modelami LLM od Google i innych firm.
Modele są w pełni przystrojone pod kątem dostrzegalności i mają narzędzia dostępnych w interfejsie programisty Genkit – możesz wypróbować dowolny model, czyli biegacza modelu.
Podczas pracy z modelami w Genkit musisz najpierw skonfigurować model, z którymi chcesz współpracować. Konfiguracja modelu jest wykonywana przez system wtyczek. W w tym przykładzie konfigurujesz wtyczkę Vertex AI, która udostępnia Gemini modeli ML.
import { configureGenkit } from '@genkit-ai/core';
import { firebase } from '@genkit-ai/firebase';
import { vertexAI } from '@genkit-ai/vertexai';
configureGenkit({
plugins: [vertexAI()],
});
Aby używać modeli udostępnianych przez wtyczkę, możesz odwoływać się do nich po nazwie (np.
'vertexai/gemini-1.5-flash'
), lub niektóre wtyczki eksportują obiekty odwołujące się do obiektów, które
podaj dodatkowe informacje o możliwościach i opcjach modelu.
import { gemini15Flash } from '@genkit-ai/vertexai';
Obsługiwane modele
Genkit zapewnia obsługę modelu przez system wtyczek. Te wtyczki są oficjalnie obsługiwane:
Wtyczka | Modele |
---|---|
Generatywna AI od Google | Gemini Pro, Gemini Pro Vision |
Google Vertex AI | Gemini Pro, Gemini Pro Vision, Gemini 1.5 Flash, Gemini 1.5 Pro, Imagen2 |
Ollama | Wiele modeli lokalnych, w tym Gemma, Llama 2 czy Mistral |
W dokumentacji każdej wtyczki znajdziesz informacje o jej konfiguracji i korzystaniu. Jest też
Google oferuje wiele różnych modeli wspieranych przez społeczność, które możesz poznać,
wyszukiwaniem pakietów zaczynających się od genkitx-
na npmjs.org.
Jak generować treści
generate
to funkcja pomocnicza do pracy z modelami.
Aby po prostu wywołać model:
import { generate } from '@genkit-ai/ai';
import { gemini15Flash } from '@genkit-ai/vertexai';
(async () => {
const llmResponse = await generate({
model: gemini15Flash,
prompt: 'Tell me a joke.',
});
console.log(await llmResponse.text());
})();
Możesz przekazać różne opcje dla tego modelu, w tym określić dla określonych modeli LLM.
const response = await generate({
model: gemini15Flash,
prompt,
config: {
temperature: 1,
stopSequences: ['abc'],
},
});
Jeśli model obsługuje dane wejściowe multimodalne, jako dane wejściowe możesz przekazywać obrazy:
const result = await generate({
model: gemini15Flash,
prompt: [
{ text: 'describe the following image:' },
{ media: { url: imageUrl, contentType: 'image/jpeg' } },
],
});
Lub z pliku lokalnego:
const result = await generate({
model: gemini15Flash,
prompt: [
{ text: 'describe the following image:' },
{
data: {
url: fs.readFileSync(__dirname + '/image.jpeg', {
encoding: 'base64',
flag: 'r',
}),
contentType: 'image/jpeg',
},
},
],
});
Wywołania narzędzi i funkcji
Model
obsługuje też narzędzia i wywoływanie funkcji. Obsługa narzędzi zależy od
określonych modeli.
const myTool = action(
{
name: 'myJoke',
description: 'useful when you need a joke to tell.',
inputSchema: z.object({ subject: z.string() }),
outputSchema: z.string(),
},
async (input) => 'haha Just kidding no joke! got you'
);
const llmResponse = await generate({
model: gemini15Flash,
prompt: 'Tell me a joke.',
tools: [myTool],
config: {
temperature: 0.5,
},
});
Spowoduje to automatyczne wywołanie narzędzi w celu spełnienia promptu użytkownika.
Możesz określić returnToolRequests: true
, aby ręcznie kontrolować wywoływanie narzędzi.
const llmResponse = await generate({
model: gemini15Flash,
prompt: 'Tell me a joke.',
tools: [myTool],
returnToolRequests: true,
config: {
temperature: 0.5,
},
});
Dodawanie kontekstu retrievera
Dokumenty z retrievera można przekazać bezpośrednio do generate
, aby
kontekst umocowania:
const docs = await companyPolicyRetriever({ query: question });
await generate({
model: gemini15Flash,
prompt: `Answer using the available context from company policy: ${question}`,
context: docs,
});
Kontekst dokumentu jest automatycznie dołączany do treści promptu wysłane do modelu.
Rejestrowanie historii wiadomości
Modele Genkit obsługują przechowywanie historii wiadomości wysyłanych do modelu i odpowiedzi na nie, które można wykorzystać do tworzenia interaktywnych treści, czatboty.
Aby wygenerować historię wiadomości na podstawie odpowiedzi modelu, wywołaj toHistory()
:
let response = await generate({
model: gemini15Flash,
prompt: "How do you say 'dog' in French?",
});
let history = response.toHistory();
Możesz zserializować tę historię i utrwalić ją w bazie danych lub pamięci sesji.
Następnie przekaż historię wraz z podpowiedzią przy kolejnych połączeniach do generate()
:
response = await generate({
model: gemini15Flash,
prompt: 'How about in Spanish?',
history,
});
history = response.toHistory();
Jeśli używany model obsługuje rolę system
, możesz użyć początkowej
w historii, aby ustawić komunikat systemowy:
let history: MessageData[] = [
{ role: 'system', content: [{ text: 'Talk like a pirate.' }] },
];
let response = await generate({
model: gemini15Flash,
prompt: "How do you say 'dog' in French?",
history,
});
history = response.toHistory();
Strumieniowanie odpowiedzi
Genkit obsługuje przesyłanie strumieniowe odpowiedzi modelu podzielone na fragmenty za pomocą metody generateStream()
:
// import { generateStream } from '@genkit-ai/ai';
const { response, stream } = await generateStream({
model: gemini15Flash,
prompt: 'Tell a long story about robots and ninjas.',
});
for await (const chunk of stream()) {
console.log(chunk.text());
}
// you can also await the full response
console.log((await response()).text());