Pour Firebase AI Logic, la console Firebase fournit une interface utilisateur guidée qui vous permet de spécifier le contenu d'un modèle. Toutefois, dans certains cas d'utilisation, vous pouvez avoir besoin de méthodes plus avancées pour configurer un modèle. Voici quelques exemples :
Les workflows avancés décrits sur cette page utilisent l'API REST Firebase AI Logic.
Voici quelques points à prendre en compte lorsque vous utilisez l'API REST :
Si vous provisionnez un modèle dans un emplacement spécifique, la requête de votre application doit accéder au modèle dans ce même emplacement. Si les emplacements ne correspondent pas, la requête échoue.
La liste des modèles de la console Firebase n'affiche que les modèles provisionnés (au minimum) dans l'emplacement
global.Si un modèle est déverrouillé, vous pouvez le remplacer en utilisant le même ID de modèle dans votre appel d'API REST. Un modèle verrouillé ne peut pas être remplacé.
Spécifier un emplacement pour un modèle
Cette section ne s'applique que si vous utilisez Vertex AI Gemini API et que votre cas d'utilisation nécessite des restrictions géographiques. En savoir plus sur la définition d'un emplacement pour accéder à un modèle
Par défaut, lorsque vous utilisez l'interface utilisateur guidée dans la console Firebase, nous provisionnons le modèle dans toutes les régions disponibles pour Firebase AI Logic. Nous procédons ainsi pour que le modèle soit disponible, quelle que soit la zone géographique que vous définissez dans votre demande. Toutefois, si vous souhaitez que votre modèle ne soit disponible que dans un emplacement spécifique, vous devez le créer à l'aide de notre API REST.
Lorsque vous appelez le point de terminaison projects.locations.templates.create, spécifiez le location du modèle lors de la création d'un PromptTemplate.
Fournir le modèle sous forme de fichier
Vous pouvez fournir le contenu d'un fichier de modèle de prompt de serveur en appelant le point de terminaison projects.locations.templates.create.