作者：来自 Elastic Jeff Vestal

在这篇博客中，我们将使用 Elastic 的 Playground 和 Vertex AI API 将 Elasticsearch 连接到 Google 的 Gemini 1.5 聊天模型。将 Gemini 模型添加到 Playground 使 Google Cloud 开发人员能够快速建立 LLM、测试检索、调整分块并使用 Elastic 将 gen AI 搜索应用程序交付到生产环境。

你需要一个启动并运行的 Elasticsearch 集群。我们将在 Elastic Cloud 上使用 serverless 项目。如果你没有帐户，可以注册免费试用。

你还需要一个启用了 Vertex AI 的 Google Cloud 帐户。如果你没有 Google Cloud 帐户，可以注册免费试用。

配置 Vertex AI

首先，我们将配置一个 Vertex AI 服务帐户，这将允许我们安全地从 Elasticsearch 向 Gemini 模型进行 API 调用。你可以按照此处 Google Cloud 文档页面上的详细说明进行操作，但我们将介绍要点。

转到 Google Cloud 控制台的 “ Create Service Account” 部分。在那里，选择已启用 Vertex AI 的项目。

接下来，为你的服务帐户命名，并可选地提供描述。点击 “Create and Continue”。

为你的项目设置访问控制。对于本博客，我们使用了 “Vertex AI User” 角色，但你需要确保你的访问控制适合你的项目和帐户。

单击 “Done”。

Google Cloud 中的最终设置是为服务帐户创建 API 密钥并以 JSON 格式下载。

单击服务帐户中的 “KEYS”，然后单击 “ADD KEY” 和 “Create New”。

确保选择 “json” 作为密钥类型，然后单击 “CREATE”。

密钥将被创建并自动下载到你的计算机。我们将在下一节中需要此密钥。

从 Playground 连接到你的 LLM

配置 Google Cloud 后，我们可以继续在 Elastic 的 Playground 中配置 Gemini LLM 连接。

本博客假设你已经在 Elasticsearch 中拥有要与 Playground 一起使用的数据。如果没有，请按照搜索实验室博客 Playground：在几分钟内使用 Elasticsearch 试验 RAG 应用程序以开始使用。

在 Kibana 中，从侧面导航菜单中选择 Playground。在 Serverless 中，它位于 “Build” 标题下。首次打开时，你可以选择 “Connect to an LLM”。

选择 “Google Gemini”：

填写表格以完成配置。

打开上一节创建并下载的 JSON 凭证文件，复制完整的 JSON，并将其粘贴到 “Credentials JSON” 部分。然后点击 “Save”

现在是 Playground 时间！

Elastic 的 Playground 允许你在集成到完整代码之前尝试 RAG 上下文设置和系统提示。

通过在与模型聊天时更改设置，你可以看到哪些设置将为你的应用程序提供最佳响应。

此外，配置搜索 Elasticsearch 数据中的哪些字段以将上下文添加到你的聊天完成请求中。添加上下文将有助于巩固模型并提供更准确的响应。

此步骤使用 Elastic 的 ELSER 稀疏嵌入模型（内置），通过语义搜索检索上下文，并将其传递给 Gemini 模型。

就这些（目前）

对话式搜索是一个令人兴奋的领域，开发人员正在使用强大的大型语言模型（例如 Google Vertex AI 提供的模型）来构建新的体验。Playground 简化了原型设计和调整过程，使你能够更快地交付应用程序。

探索更多使用 Elasticsearch 和 Google Vertex AI 构建的想法，祝你搜索愉快！

准备好自己尝试一下了吗？开始免费试用。
想要获得 Elastic 认证吗？了解下一期 Elasticsearch 工程师培训何时开始！

原文：Quickly iterate chat apps on Elasticsearch playground with Google Cloud Gemini models — Search Labs