O Firebase Genkit oferece uma interface fácil para gerar conteúdo com LLMs.
Modelos
Os modelos no Firebase Genkit são bibliotecas e abstrações que dão acesso a vários LLMs do Google e de terceiros.
Os modelos são totalmente instrumentados para observabilidade e vêm com integrações de ferramentas fornecidas pela UI do desenvolvedor Genkit. Você pode testar qualquer modelo usando o executor de modelo.
Ao trabalhar com modelos no Genkit, primeiro é preciso configurar o modelo com que você quer trabalhar. A configuração do modelo é realizada pelo sistema do plug-in. Neste exemplo, você está configurando o plug-in da Vertex AI, que fornece modelos Gemini.
import { configureGenkit } from '@genkit-ai/core';
import { firebase } from '@genkit-ai/firebase';
import { vertexAI } from '@genkit-ai/vertexai';
configureGenkit({
plugins: [vertexAI()],
});
Para usar modelos fornecidos pelo plug-in, você pode se referir a eles pelo nome (por exemplo,
'vertexai/gemini-1.5-flash'
) ou alguns plug-ins exportam objetos ref de modelo que
fornecem mais informações sobre os recursos e as opções do modelo.
import { gemini15Flash } from '@genkit-ai/vertexai';
Modelos compatíveis
O Genkit oferece suporte a modelos pelo sistema de plug-ins. Os plug-ins a seguir são oficialmente compatíveis:
Plug-in | Modelos |
---|---|
IA generativa do Google | Gemini Pro, Gemini Pro Vision |
Vertex AI do Google | Gemini Pro, Gemini Pro Vision, Gemini 1.5 Flash, Gemini 1.5 Pro e Imagen2 |
Ollama | Muitos modelos locais, como Gemma, Llama 2, Mistral, entre outros |
Consulte a documentação de cada plug-in para ver informações de configuração e uso. Também há
uma ampla variedade de modelos disponíveis com suporte da comunidade que podem ser
procurando pacotes começando com genkitx-
em npmjs.org.
Como gerar conteúdo
generate
é uma função auxiliar para trabalhar com modelos.
Basta chamar o modelo:
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());
})();
É possível transmitir várias opções de modelo para esse modelo, incluindo a especificação um modelo personalizado para LLMs específicos.
const response = await generate({
model: gemini15Flash,
prompt,
config: {
temperature: 1,
stopSequences: ['abc'],
},
});
Se o modelo oferecer suporte à entrada multimodal, é possível transmitir imagens como entrada:
const result = await generate({
model: gemini15Flash,
prompt: [
{ text: 'describe the following image:' },
{ media: { url: imageUrl, contentType: 'image/jpeg' } },
],
});
Ou a partir de um arquivo local:
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',
},
},
],
});
Ferramentas e chamada de funções
Model
também oferece suporte a ferramentas e chamadas de funções. O suporte a ferramentas depende
modelos específicos.
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,
},
});
Isso vai chamar automaticamente as ferramentas para atender ao comando do usuário.
Você pode especificar returnToolRequests: true
para controle manual de chamadas de ferramentas.
const llmResponse = await generate({
model: gemini15Flash,
prompt: 'Tell me a joke.',
tools: [myTool],
returnToolRequests: true,
config: {
temperature: 0.5,
},
});
Como adicionar contexto do recuperador
Os documentos de um recuperador podem ser transmitidos diretamente para generate
para fornecer
contexto de embasamento:
const docs = await companyPolicyRetriever({ query: question });
await generate({
model: gemini15Flash,
prompt: `Answer using the available context from company policy: ${question}`,
context: docs,
});
O contexto do documento é anexado automaticamente ao conteúdo do comando. enviados ao modelo.
Como gravar o histórico de mensagens
Os modelos Genkit suportam a manutenção de um histórico das mensagens enviadas ao modelo e suas respostas, que você pode usar para construir experiências interativas, como chatbots.
Para gerar o histórico de mensagens com base em uma resposta de modelo, chame o método toHistory()
:
let response = await generate({
model: gemini15Flash,
prompt: "How do you say 'dog' in French?",
});
let history = response.toHistory();
É possível serializar esse histórico e mantê-lo em um armazenamento de sessão ou banco de dados.
Em seguida, transmita o histórico com a solicitação em chamadas futuras para generate()
:
response = await generate({
model: gemini15Flash,
prompt: 'How about in Spanish?',
history,
});
history = response.toHistory();
Se o modelo que você está usando for compatível com o papel system
, será possível usar o
histórico para definir a mensagem do sistema:
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();
Respostas de streaming
O Genkit é compatível com streaming em partes de respostas de modelo por meio do método 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());