Начало работы с Agent Studio

Обзор

Agent Platform представляет собой комплексную платформу для разработки систем машинного обучения, которая предоставляет возможности как предиктивного, так и генеративного ИИ. С ее помощью можно обучать, оценивать и развертывать предиктивные модели машинного обучения для задач прогнозирования. Кроме того, платформу можно использовать для поиска, настройки и обслуживания моделей генеративного ИИ для создания контента. Например, страховые компании постоянно стремятся повысить эффективность таких процессов, как урегулирование убытков и оценка рисков. Agent Studio предлагает мощные инструменты для быстрого прототипирования решений на базе генеративного ИИ для подобных задач.

Познакомьтесь с другими материалами программы Gemini Enterprise Agent Ready (GEAR) program.

Agent Studio позволяет быстро тестировать и адаптировать модели генеративного ИИ, чтобы внедрять их возможности в свои приложения. Сервис предоставляет широкий выбор инструментов и ресурсов, включая интуитивно понятный пользовательский интерфейс (UI), благодаря которому начать работу с генеративным ИИ не составит труда, даже если у вас нет глубоких знаний в машинном обучении.

В этой лабораторной работе вы познакомитесь с Agent Studio и откроете для себя потенциал передовых моделей генеративного ИИ, таких как Gemini. Вы примерите на себя роль разработчика, помогающего страховой компании создать прототип ассистента для анализа рисков. Вы узнаете, как пройти путь от идеи промпта до готового к развертыванию приложения, как проектировать сложные промпты для получения конкретных результатов генерации и как применять мультимодальные возможности для анализа различных типов данных, включая изображения, прямо в Google Cloud console. Для выполнения этих основных задач вам не понадобятся API или библиотеки Python SDK.

Цели

В этой лабораторной работе вы научитесь:

• Создавать приложения на основе промптов.
• Проектировать эффективные промпты.
• Заниматься промпт-инжинирингом и управлять промптами.
• Использовать мультимодальные промпты.

Подготовка и требования

В оригинале Google выдаёт для лабораторной временный учебный проект и аккаунт. Здесь вы выполняете те же шаги в своём проекте Google Cloud: войдите в консоль console.cloud.google.com, создайте или выберите проект с включённой оплатой (подойдёт пробный период с бесплатными кредитами) и откройте Cloud Shell. После работы удалите созданные ресурсы, чтобы за них не списывались деньги.

Задание 1. Создание приложений на основе промптов

В этом задании вы увидите, как быстро можно превратить идею ассистента на базе генеративного ИИ в работающий прототип с помощью Agent Studio. Вы сосредоточитесь на практическом сценарии из сферы страхования: создадите промпт, который помогает специалисту по страхованию обобщать информацию о клиенте для отчёта по анализу рисков, а затем подготовите этот промпт в виде простого приложения.

1. В Google Cloud console в меню навигации (Navigation menu, ) выберите Agent Platform > Studio.

2. В левом верхнем углу выберите + New (или меню New) > Chat. Откроется страница редактора промптов. Нажмите на значок разворачивания Expand .

Интерфейс содержит три основных раздела:

• System instructions: набор инструкций, которые модель обрабатывает перед выполнением промптов. Заданная системная инструкция применяется ко всему запросу и действует на протяжении нескольких реплик пользователя и модели в диалоге.
• Model settings: в этом разделе можно выбирать модели (включая сторонние модели), настраивать параметры, использовать инструменты (Tools, например заземление данных, grounding) и задавать расширенные параметры.
• Prompt: здесь вы составляете промпт с возможностью задействовать мультимодальные функции.

3. В правом верхнем углу нажмите Untitled Prompt и переименуйте промпт в Insurance Risk Summary - Prototype.

4. В поле System instructions введите следующий текст, чтобы задать вашему ИИ-ассистенту роль в контексте сценария страхования:

   You are an expert AI assistant for an insurance underwriting department.
   Your primary goal is to help underwriters by accurately and concisely summarizing client information and highlighting potential risk factors.
   Maintain a professional and objective tone.
   Focus only on the information provided in the prompt. Do not invent details.

5. В основную область промпта вставьте следующее:

   Customer Notes for 'SafeHarbor Warehousing':
   "The applicant is seeking coverage for their 50,000 sq ft warehouse. The business is 5 years old. The building is a concrete tilt-up structure, originally built in 2010. They store a variety of non-hazardous dry goods.
   Fire safety measures include a full sprinkler system, a centrally monitored fire alarm, and documented annual inspections by a certified third party.
   Security measures include a 24/7 centrally monitored burglar alarm, comprehensive security camera coverage of the interior and exterior, a fully fenced perimeter, and nightly patrols by a contracted security guard service.
   The company reports no major property or liability losses in their 5-year history. They have specifically asked to ensure their new automated shelving and retrieval system, installed last month, is adequately covered under the policy."
   Your Task:
   1. Briefly summarize the key details of the 'SafeHarbor Warehousing' business and its existing safety measures.
   2. Based *only* on the notes provided, identify any immediate questions an underwriter should ask or potential risk factors they should consider further.
   Present the summary first, then the questions/risk factors as bullet points.

6. Нажмите на Model settings:

   • Убедитесь, что выбрана модель project_0.startup_script.gemini_flash_model_id. Чтобы изменить её, нажмите Model > Gemini > project_0.startup_script.gemini_flash_model_id.
   • Если значение ещё не задано, выберите Global в поле Region.

7. Нажмите кнопку со стрелкой Submit (Enter) или клавишу ENTER. Ознакомьтесь с ответом модели.

Примечание. Если возникнет ошибка "429 Quota Exhausted", подождите минуту и отправьте промпт повторно.

8. В правом верхнем углу рядом с названием промпта нажмите кнопку Save.

9. В диалоговом окне Save prompt выберите project_0.default_region в поле Region (поле может быть пустым) и нажмите Save.

Примечание. Сохранение первого промпта может занять несколько минут.

10. После сохранения промпта протестируйте его рассуждения в диалоге прямо в интерфейсе Agent Studio на новом клиентском сценарии, чтобы оценить, насколько хорошо системные инструкции направляют модель:

11. В поле ввода чата введите следующий уточняющий запрос:

    New Customer Inquiry:
    "Applicant 'Coastal Goods Delivery' has a fleet of 10 delivery vans, all equipped with GPS and telematics. They operate within a 100-mile radius of their depot. Drivers undergo annual safety training. They had one minor fender bender last year, no injuries, $1500 damages. What are the primary risk considerations?"
    Please summarize key points and identify potential risks.

12. Нажмите кнопку отправки со стрелкой (или нажмите клавишу ENTER), чтобы отправить сообщение модели.

13. Изучите ответ промпта. Модель должна обработать ваши вводные данные строго в соответствии с логикой и системными инструкциями, заданными в Agent Studio, предоставив чёткую сводку, а затем перечень факторов риска.

14. Теперь создание начального прототипа завершено, вы:

    • Спроектировали и настроили структурированный промпт в Agent Studio.
    • Задали системные инструкции для управления тоном и рамками рассуждений.
    • Протестировали работу промпта на реалистичных сценариях взаимодействия с клиентом.
    • Сохранили прототип промпта в Cloud Storage для дальнейшей итеративной разработки.

Задание 2. Создание эффективных промптов

В первом задании вы создали прототип базового промпта. Теперь вы детальнее изучите доработку промптов, чтобы получать от генеративных моделей более точные, управляемые и полезные ответы. Это ключевой навык в области промпт-инжиниринга. Вы продолжите работу со сценарием страхования: попробуете извлечь конкретные данные из документа по страховому случаю и повысить качество суммаризации.

Подробнее о типах промптов можно узнать в этом руководстве.

Zero-shot промптинг

Сначала вы создадите новый промпт, чтобы изучить тонкости промпт-дизайна.

1. Убедитесь, что находитесь в основном разделе Agent Studio.

Примечание. При появлении запроса выберите Exit without saving, затем нажмите Continue.

2. В левом верхнем углу выберите + New (или меню New) > Chat. Откроется страница редактора промптов.

3. В правом верхнем углу нажмите Untitled Prompt и переименуйте его в Insurance Claim Data Extraction.

4. Ознакомьтесь со сценарием для этого раздела: страховой оценщик часто получает неструктурированные заметки или электронные письма о новом страховом случае, и ему требуется быстро извлечь ключевые сведения для внесения в систему управления убытками.

5. В поле System instructions введите следующий текст:

   You are an AI assistant specializing in parsing and extracting specific data points from unstructured insurance claim notifications.
   Your goal is to identify and list key information accurately.
   If a piece of information is not found, clearly state "Not found".
   Output the extracted information in a key: value format, with each key on a new line.

6. В основное поле промпта вставьте следующий пример неструктурированной заметки по страховому случаю:

   Claim Notification Received:
   "Hi team, just got a call from Mrs. Eleanor Vance, policy #POL458892. She reported a kitchen fire that occurred on May 12th, 2025, around 3 PM. The main damage seems to be to the oven and surrounding cabinets. She mentioned smoke damage in the kitchen and dining area too. She thinks the total damage might be around $7,500. Her contact is 555-0123. No injuries reported, thankfully."
   Extract the following:
   - Policy Number
   - Claimant Name
   - Date of Loss
   - Time of Loss
   - Type of Loss
   - Brief Description of Damage
   - Estimated Loss Amount
   - Injuries Reported

7. Перейдите в панель Model settings:

   • Убедитесь, что выбрана модель project_0.startup_script.gemini_flash_model_id.
   • Установите параметр Thinking level в значение Low (для быстрого прямого извлечения данных).
   • Задайте разумное значение для Output token limit, например 2048.
   • Убедитесь, что для параметра Region выбрано значение Global.

8. Нажмите кнопку отправки со стрелкой Submit (Enter). Проанализируйте полученный результат. Эта первая попытка без явных примеров называется zero-shot промптингом.

Few-shot промптинг

Зачастую передача нескольких примеров (few-shot промптинг) позволяет значительно улучшить качество работы модели, особенно если требуется соблюдать строгий формат или учитывать нюансы извлечения данных.

1. В левом верхнем углу выберите + New (или меню New) > Chat.

2. В нижней части раздела Prompt нажмите кнопку +.

3. Во всплывающем меню выберите Example.

Откроется окно, в котором можно добавить примеры для промпта.

4. В открывшемся интерфейсе добавления примеров:

   • В поле INPUT для первого примера вставьте следующий текст неструктурированной заметки:

   Claim Notification Received:
   "Email from John Sterling (policy POL77521) re: water damage at his shop. Happened sometime last night, May 10th, 2025. A pipe burst in the ceiling. Stockroom is flooded, some damage to inventory. He's not sure on the cost yet, maybe $5k-$10k? No one was there, so no injuries."
   Extract the following:
   - Policy Number
   - Claimant Name
   - Date of Loss
   - Time of Loss
   - Type of Loss
   - Brief Description of Damage
   - Estimated Loss Amount
   - Injuries Reported

   • В поле OUTPUT для первого примера вставьте образец идеально отформатированного ответа:

   Policy Number: POL77521
   Claimant Name: John Sterling
   Date of Loss: May 10th, 2025
   Time of Loss: Night
   Type of Loss: Water damage
   Brief Description of Damage: Pipe burst in ceiling, stockroom flooded, some damage to inventory.
   Estimated Loss Amount: $5,000 - $10,000
   Injuries Reported: No

   • Нажмите кнопку Add examples, чтобы сохранить пример и вернуться к основному промпту.

5. Повторно добавьте системные инструкции: поскольку при сбросе промпта системные инструкции очистились, вставьте их снова в поле System instructions:

   You are an AI assistant specializing in parsing and extracting specific data points from unstructured insurance claim notifications.
   Your goal is to identify and list key information accurately.
   If a piece of information is not found, clearly state "Not found".
   Output the extracted information in a key: value format, with each key on a new line.

6. Задайте новые входные данные и промпт:

   • В поле {Input} Write value here вставьте исходное уведомление по страховому случаю Eleanor Vance, которое модель должна обработать:

   Claim Notification Received:
   "Hi team, just got a call from Mrs. Eleanor Vance, policy #POL458892. She reported a kitchen fire that occurred on May 12th, 2025, around 3 PM. The main damage seems to be to the oven and surrounding cabinets. She mentioned smoke damage in the kitchen and dining area too. She thinks the total damage might be around $7,500. Her contact is 555-0123. No injuries reported, thankfully."

7. В поле Type a prompt введите следующую инструкцию:

   Extract the following data points from the provided claim notification:
   - Policy Number
   - Claimant Name
   - Date of Loss
   - Time of Loss
   - Type of Loss
   - Brief Description of Damage
   - Estimated Loss Amount
   - Injuries Reported

8. Перейдите в панель Model settings:

   • Убедитесь, что выбрана модель project_0.startup_script.gemini_flash_model_id.
   • Установите параметр Thinking level в значение Low (для быстрого прямого извлечения данных).
   • Задайте разумное значение для Output token limit, например 2048.
   • Убедитесь, что для параметра Region выбрано значение Global.

9. Снова нажмите кнопку отправки со стрелкой Submit (Enter). Сравните полученный результат с предыдущей попыткой zero-shot. Обратите внимание, насколько повысилась точность и улучшилось форматирование благодаря примеру few-shot и структурированному вводу.

10. Если промпт не сохранился автоматически, нажмите кнопку Save в правом верхнем углу (при появлении запроса выберите project_0.default_region для параметра Region).

Эксперименты с конфигурациями промпта

Теперь вы узнаете, как различные параметры в панели Model settings влияют на ответ модели.

Примечание. В более новых рассуждающих моделях Gemini параметры сэмплирования, такие как Temperature и Top-P, калибруются автоматически около значений по умолчанию, а вместо них предлагается параметр Thinking level для управления глубиной рассуждений перед генерацией ответа. Чтобы посмотреть, как работают Thinking level и Output token limit, создайте новый творческий промпт.

Сначала создайте новый промпт для этих экспериментов:

1. В левом верхнем углу выберите + New (или меню New) > Chat.

2. Назовите промпт Insurance Story.

3. В панели Model settings убедитесь, что выбрана модель project_0.startup_script.gemini_flash_model_id. Для новых промптов по умолчанию может выбираться другая модель, недоступная в этой лабораторной работе.

4. В текстовое поле промпта вставьте следующее:

Write the *first paragraph* of a short story about a homeowner who just used a futuristic AI insurance app to file a claim. The claim was for a bizarre and unexpected incident.

Теперь поэкспериментируйте с настройками модели.

Эксперименты с настройками модели

1. Поэкспериментируйте с параметром Thinking level:

   • Пояснение. Параметр Thinking level определяет глубину внутренних рассуждений модели перед формированием ответа. Низкие значения (Low) сводят к минимуму задержку и количество токенов рассуждения для простых задач, тогда как значения Medium (по умолчанию) и High выделяют больше ресурсов на рассуждения при сложном анализе или создании творческого текста.
   • Попробуйте на практике: установите Thinking level в значение Low, нажмите Submit (Enter) и оцените скорость и полученный результат. Затем измените Thinking level на High, отправьте тот же промпт повторно и сравните глубину проработки и детализацию сгенерированного абзаца (а также раскройте цепочку рассуждений модели).

2. Поэкспериментируйте с параметром Output token limit:

   • Пояснение. В разделе Model settings этот параметр задает максимальное количество токенов (включая токены рассуждения и токены вывода), которые модель может сгенерировать в ответе.
   • Попробуйте на практике: установите для параметра Output token limit небольшое значение, например 500. Отправьте тот же промпт и посмотрите, как жесткое ограничение на токены обрезает или сжимает ответ. Верните максимальное значение по умолчанию: 65535.

3. Кратко ознакомьтесь с другими параметрами в разделах Tools и Model settings:

   • Structured outputs: заставляет модель генерировать ответ в строгом соответствии с заданной схемой (например, JSON).
   • Grounding: Google Search: подключает модель к Google Search, позволяя формировать ответы на основе актуальной общедоступной информации в реальном времени.
   • Grounding: Your data: дает модели возможность извлекать информацию из ваших собственных источников данных (например, Agent Platform Search или RAG Engine) для ответов на контекстные вопросы.
   • Safety Filter Settings: включены по умолчанию в Model settings для блокировки нежелательного контента. В этой лабораторной работе используются настройки по умолчанию.

Задание 3. Промпт-инжиниринг и управление промптами

Когда рабочий промпт готов, часто требуется поэкспериментировать с инструкциями или параметрами модели, чтобы улучшить результат. Для этого в Agent Studio предусмотрена функция «Compare» (Сравнить). В этом разделе вы будете использовать промпт, созданный ранее.

1. В левом верхнем углу выберите + New (или меню New) > Chat. Откроется страница редактора промпта.

2. Назовите новый промпт Insurance Risk Factor Identification.

3. Настройте базовый промпт:

   • В поле System instructions введите:

   You are an insurance risk analyst assistant. Your task is to identify potential risk factors from a given scenario. Be concise.

   • В основное поле промпта вставьте следующий текст:

   Scenario:
   "The applicant, 'The Fiery Grill,' is a new upscale restaurant specializing in wood-fired oven pizzas and open-flame grilling. They have installed a brand new, custom-built fire suppression system for their cooking area, but it has not yet been certified by a third party. The restaurant plans to feature live acoustic music on weekend evenings and has a small, raised stage area. They also want to offer valet parking."
   Based on this scenario, list three primary risk factors an underwriter should consider.

   • Нажмите Model settings:
     • Убедитесь, что выбрана модель project_0.startup_script.gemini_flash_model_id.
     • Установите для параметра Thinking level значение Low.
     • Убедитесь, что в поле Region выбрано значение Global.

4. Нажмите кнопку со стрелкой Submit (Enter). Ознакомьтесь с полученным ответом модели.

5. Если промпт не сохранился автоматически, нажмите кнопку Save.

6. Теперь, когда промпт Insurance Risk Factor Identification и ответ на него отображаются на экране, нажмите Compare (под ответом или через меню с тремя точками More actions в правом верхнем углу).

7. Откроется интерфейс Compare. Промпт Insurance Risk Factor Identification, его настройки и последний ответ продублируются на двух панелях страницы, что позволит легко сопоставлять разные версии при изменении параметров модели и системных инструкций.

Сравнение при изменении системных инструкций

Теперь посмотрим, как изменение инструкций влияет на результат генерации.

1. В поле System instructions для промпта на правой панели измените текущие системные инструкции. Замените их следующим текстом:

You are an expert insurance risk analyst assistant. Your task is to identify potential risk factors from a given scenario. For each risk factor, also briefly suggest a potential mitigation strategy or question for the underwriter. Be clear and structured.

2. Оставьте остальные параметры модели без изменений и отправьте следующий промпт через поле в нижней части страницы:

Scenario:
"The applicant, 'The Fiery Grill,' is a new upscale restaurant specializing in wood-fired oven pizzas and open-flame grilling. They have installed a brand new, custom-built fire suppression system for their cooking area, but it has not yet been certified by a third party. The restaurant plans to feature live acoustic music on weekend evenings and has a small, raised stage area. They also want to offer valet parking."
Based on this scenario, list three primary risk factors an underwriter should consider.

3. Дождитесь генерации ответов для обоих промптов. Сравните ответы рядом друг с другом. Появились ли во втором ответе стратегии снижения рисков или вопросы для андеррайтера благодаря обновленным инструкциям? При желании поэкспериментируйте с системными инструкциями дальше, чтобы увидеть, как они направляют ответы модели.

Сравнение при разном значении Thinking level

Теперь протестируем другое значение параметра Thinking level на панели сравнения.

1. В поле System instructions для промпта на правой панели верните исходный текст, как на левой панели:

You are an insurance risk analyst assistant. Your task is to identify potential risk factors from a given scenario. Be concise.

2. Для промпта на правой панели откройте панель Model settings и измените значение Thinking level на High. Убедитесь, что в качестве модели по-прежнему выбрана project_0.startup_script.gemini_flash_model_id.

3. Отправьте следующий промпт через поле в нижней части страницы:

Scenario:
"The applicant, 'The Fiery Grill,' is a new upscale restaurant specializing in wood-fired oven pizzas and open-flame grilling. They have installed a brand new, custom-built fire suppression system for their cooking area, but it has not yet been certified by a third party. The restaurant plans to feature live acoustic music on weekend evenings and has a small, raised stage area. They also want to offer valet parking."
Based on this scenario, list three primary risk factors an underwriter should consider.

4. Обратите внимание на различия в ответах. Стал ли анализ рисков при уровне High более глубоким и выявила ли модель более тонкие сопутствующие факторы по сравнению с результатом при уровне Low?

Примечание: более высокие уровни Thinking level увеличивают глубину рассуждений перед генерацией итогового ответа, что особенно полезно при оценке многофакторных сценариев андеррайтинга.

Сравнение различных моделей и конфигураций

Теперь вы сравните базовую модель с другой моделью и другими настройками, чтобы увидеть разницу в логике рассуждений и стиле ответов.

1. Для промпта на правой панели откройте панель Model settings и выполните следующие изменения:

   • Убедитесь, что для параметра Model выбрана модель project_0.startup_script.gemini_pro_model_id.
   • Убедитесь, что для параметра Thinking level установлено значение High.

2. Для промпта на левой панели откройте панель Model settings и выполните следующие изменения:

   • Убедитесь, что для параметра Model выбрана модель project_0.startup_script.gemini_flash_model_id.
   • Установите для параметра Thinking level значение Low.

3. Отправьте следующий промпт через поле в нижней части страницы. Этот промпт специально усложнен, чтобы продемонстрировать разницу в возможностях моделей:

Scenario:
"The applicant, 'The Fiery Grill,' is an upscale restaurant specializing in wood-fired ovens and open-flame grilling. They have a brand new, custom-built fire suppression system, but it has not been certified by a third party. The restaurant will feature live acoustic music on a small, raised stage. They also want to offer valet parking, managed by their own staff. The applicant has no prior business history."
Underwriting Guidelines:
Priority Hierarchy: Liability risks are classed as:
- Class A (Critical): Fire, structural failure, failure of safety systems.
- Class B (Standard): General premises liability (e.g., slip-and-fall).
- Class C (Niche): Auto/Vehicle liability.
Compounding Factors: A "compounding risk" (a condition that makes another risk worse) must be elevated to the highest priority.
Inexperience: Lack of prior business history is a general negative factor but does not create a primary risk on its own.
Auto Liability: Class C risks (Valet) are only considered a primary risk if the applicant is using an unvetted, third-party contractor.
Task:
Based on the scenario and the underwriting guidelines, identify the single, #1 highest-priority risk. Then, write a 2-sentence justification that explains why it is the #1 risk, citing the specific guideline(s) that apply.

4. Изучите полученные ответы. Сравните результат работы project_0.startup_script.gemini_flash_model_id (левая панель) и project_0.startup_script.gemini_pro_model_id (правая панель).

Разница в точности будет очевидной. Модель project_0.startup_script.gemini_flash_model_id (слева), скорее всего, даст быстрый, но обобщенный ответ, например определит общую угрозу («Fire»). Модель project_0.startup_script.gemini_pro_model_id (справа) должна предоставить более точный и практичный ответ, выделив конкретный риск («The uncertified fire suppression system»). Обратите внимание, что обоснование у модели Pro более детализировано: она с высокой вероятностью сошлется на несколько правил, демонстрируя глубокую логическую цепочку.

5. На панели модели project_0.startup_script.gemini_pro_model_id (справа) нажмите Select & go back, чтобы применить и сохранить выбранные параметры сравнения в промпте.

Задание 4. Использование мультимодальных промптов с Gemini

В этом задании вы будете использовать основной интерфейс работы с промптами в Agent Studio с моделью Gemini для анализа изображения и извлечения из него информации. Вы научитесь составлять промпты для различных аналитических задач, таких как описание, извлечение текста и ответы на вопросы по визуальному контенту.

1. Вернитесь на страницу Agent Studio.

2. В левом верхнем углу выберите + New (или меню New) > Chat.

3. Измените название промпта на Timetable Image Analysis.

4. В панели Model settings справа:

   • Убедитесь, что выбрана модель project_0.startup_script.gemini_flash_model_id.
   • Убедитесь, что для параметра Region выбрано значение Global.

5. В левом нижнем углу поля ввода промпта нажмите кнопку +, затем выберите Import from Cloud Storage.

6. В панели Select object выберите заранее созданный бакет Cloud Storage (project_0.startup_script.bucket_name), выберите файл timetable.png и нажмите Select.

7. Теперь вы можете дать модели несколько заданий по изображению. В поле ввода промпта рядом со вставленным изображением укажите следующий текст:

1. Provide a concise title for this image (under 5 words).
2. Describe the image in one or two sentences.
3. Extract all visible text from the image. Present the flight schedule as a clearly formatted list with columns for "Time" and "City".

8. Отправьте промпт с помощью кнопки Submit (Enter) и изучите ответ модели.

9. Затем вы можете задать вопрос, требующий логических рассуждений на основе полученной информации. Отправьте следующий промпт:

Based on the flight schedule shown in the image, what percentage of the listed flights depart before 11:30 AM? Show your calculation if possible.

10. Нажмите кнопку Submit (Enter) и ознакомьтесь с ответом.

11. Посмотрите, как влияет на результат настройка Thinking level. В панели Model settings:

    • Установите для параметра Thinking level значение Low.
    • Повторно отправьте ровно тот же промпт из шага 9 ("Based on the flight schedule... percentage...").
    • Обратите внимание, изменились ли скорость, сводка рассуждений или уровень детализации в пошаговых вычислениях по сравнению со значениями Medium или High.
    • После этого установите для Thinking level значение High и отправьте запрос еще раз, если хотите сравнить цепочку рассуждений.

Примечание: параметр Thinking level определяет объем внутренних рассуждений, которые модель выполняет перед формированием ответа. Значение Low хорошо подходит для быстрого извлечения визуальных данных, в то время как Medium и High помогают проверять многоэтапные вычисления на основе извлеченной информации.

12. Если промпт не сохранился автоматически, нажмите кнопку Save в правом верхнем углу (при появлении запроса выберите project_0.default_region для параметра Region).

Задание 5. Генерация медиафайлов в Agent Studio

Помимо текста, Agent Studio предлагает мощные инструменты для генерации различных типов медиафайлов напрямую из текстовых промптов или путем доработки существующих медиа. В этом задании вы попробуете генерировать изображения.

Генерация изображения с помощью Gemini

Для начала вы сгенерируете изображение.

1. В левом верхнем углу выберите + New (или меню New) > Image.

2. Измените название промпта на Honeybee Image Generation.

3. На панели Model settings справа:

   • Нажмите на поле выбора модели и замените Nano Banana 2.1 на project_0.startup_script.gemini_flash_image_model_name.
   • Убедитесь, что в поле Region указано значение Global.

4. В поле ввода текстового промпта внизу введите подробный промпт:

   A close-up, photorealistic image of a single honeybee collecting pollen from a vibrant purple lavender flower, with a softly blurred garden background.

5. Нажмите кнопку Submit (Enter), чтобы отправить промпт.

6. Через несколько секунд сгенерированное изображение появится в области ответа.

7. Если промпт не сохранился автоматически, нажмите кнопку Save в правом верхнем углу (если появится запрос, выберите project_0.default_region в поле Region).

Примечание: дождитесь завершения автосохранения промпта.

Поздравляем!

Поздравляем! В этой лабораторной работе вы успешно освоили работу с Agent Studio для создания прототипа приложения генеративного ИИ в сфере страхования: от первоначального проектирования и развертывания до продвинутого промпт-инжиниринга и сравнения моделей. Вы потренировались адаптировать текстовые ответы под конкретные аналитические задачи и познакомились с впечатляющими мультимодальными возможностями генерации изображений и речи. Эти базовые навыки помогут вам создавать еще более сложные решения на основе генеративного ИИ в Google Cloud.

Следующие шаги и полезные материалы

• Узнайте больше о возможностях изученных моделей генеративного ИИ (таких как Gemini для работы с текстом, анализа и генерации изображений, а также Veo и Chirp) в официальной документации Model Garden в Agent Platform.
• Совершенствуйте навыки промпт-инжиниринга с помощью подробного руководства по стратегиям промпт-дизайна от Google Cloud, где собраны лучшие практики и продвинутые техники.
• Изучите интеграцию и автоматизацию этих функций генеративного ИИ в своих приложениях, обратившись к документации по SDK для Agent Platform.
• Продолжайте обучение, выполняя другие лабораторные работы и курсы по генеративному ИИ на Google Skills.

Перевод официального курса Google «Промпт-дизайн в Google Agent Platform (Vertex AI)». Оригинал на английском.