Firebase Genkit предоставляет простой интерфейс для создания контента с помощью LLM.
Модели
Модели в Firebase Genkit — это библиотеки и абстракции, которые обеспечивают доступ к различным LLM от Google и сторонних разработчиков.
Модели полностью оснащены инструментами для наблюдения и оснащены интеграцией инструментов, предоставляемых пользовательским интерфейсом разработчика Genkit — вы можете опробовать любую модель с помощью средства запуска моделей.
При работе с моделями в Genkit сначала необходимо настроить модель, с которой вы хотите работать. Конфигурация модели осуществляется системой плагинов. В этом примере вы настраиваете плагин Vertex AI, который предоставляет модели Gemini.
import { configureGenkit } from '@genkit-ai/core';
import { firebase } from '@genkit-ai/firebase';
import { vertexAI } from '@genkit-ai/vertexai';
configureGenkit({
plugins: [vertexAI()],
});
Чтобы использовать модели, предоставляемые плагином, вы можете либо обращаться к ним по имени (например 'vertexai/gemini-1.5-flash'
), либо некоторые плагины экспортируют объекты модели, которые предоставляют дополнительную информацию о типах возможностей и параметров модели.
import { gemini15Flash } from '@genkit-ai/vertexai';
Поддерживаемые модели
Genkit обеспечивает поддержку моделей через свою систему плагинов. Официально поддерживаются следующие плагины:
Плагин | Модели |
---|---|
Генеративный искусственный интеллект Google | Близнецы Про, Близнецы Про Видение |
Google Вертекс ИИ | Gemini Pro, Gemini Pro Vision, Gemini 1.5 Flash, Gemini 1.5 Pro, Imagen2 |
Оллама | Многие местные модели, в том числе Gemma, Llama 2, Mistral и другие. |
Информацию о настройке и использовании см. в документации каждого плагина. Существует также широкий выбор моделей, поддерживаемых сообществом, которые вы можете найти, выполнив поиск пакетов, начинающихся с genkitx-
на npmjs.org .
Как генерировать контент
generate
— вспомогательная функция для работы с моделями.
Чтобы просто вызвать модель:
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());
})();
Вы можете передать различные параметры модели для этой модели, включая указание пользовательской модели для конкретных LLM.
const response = await generate({
model: gemini15Flash,
prompt,
config: {
temperature: 1,
stopSequences: ['abc'],
},
});
Если модель поддерживает мультимодальный ввод, вы можете передавать изображения в качестве входных данных:
const result = await generate({
model: gemini15Flash,
prompt: [
{ text: 'describe the following image:' },
{ media: { url: imageUrl, contentType: 'image/jpeg' } },
],
});
Или из локального файла:
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',
},
},
],
});
Инструменты и вызов функций
Model
также поддерживает инструменты и вызов функций. Поддержка инструмента зависит от конкретных моделей.
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,
},
});
Это автоматически вызовет инструменты для выполнения запроса пользователя.
Вы можете указать returnToolRequests: true
для ручного управления вызовом инструмента.
const llmResponse = await generate({
model: gemini15Flash,
prompt: 'Tell me a joke.',
tools: [myTool],
returnToolRequests: true,
config: {
temperature: 0.5,
},
});
Добавление контекста ретривера
Документы из ретривера могут передаваться непосредственно для generate
, чтобы обеспечить базовый контекст:
const docs = await companyPolicyRetriever({ query: question });
await generate({
model: gemini15Flash,
prompt: `Answer using the available context from company policy: ${question}`,
context: docs,
});
Контекст документа автоматически добавляется к содержимому приглашения, отправленного в модель.
Запись истории сообщений
Модели Genkit поддерживают ведение истории сообщений, отправленных модели, и ее ответов, которые можно использовать для создания интер��ктивных возможностей, например чат-ботов.
Чтобы создать историю сообщений на основе ответа модели, вызовите метод toHistory()
:
let response = await generate({
model: gemini15Flash,
prompt: "How do you say 'dog' in French?",
});
let history = response.toHistory();
Вы можете сериализовать эту историю и сохранить ее в базе данных или хранилище сеансов. Затем передайте историю вместе с подсказкой о будущих вызовах generate()
:
response = await generate({
model: gemini15Flash,
prompt: 'How about in Spanish?',
history,
});
history = response.toHistory();
Если используемая вами модель поддерживает system
роль, вы можете использовать исходную историю для установки системного сообщения:
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();
Потоковая передача ответов
Genkit поддерживает потоковую передачу ответов модели по частям с помощью 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());