Para Firebase AI Logic, o console Firebase oferece uma interface guiada para você especificar o conteúdo de um modelo. No entanto, há vários casos de uso em que você pode precisar de maneiras mais avançadas de configurar um modelo, incluindo:
Os fluxos de trabalho avançados descritos nesta página usam a API REST Firebase AI Logic.
Preste atenção no seguinte ao usar a API REST:
Se você provisionar um modelo em um local específico, a solicitação do seu app precisará acessar o modelo nesse mesmo local. Se os locais não corresponderem, a solicitação vai falhar.
A lista de modelos no console Firebase mostra apenas os modelos provisionados (no mínimo) no local
global.Se um modelo estiver desbloqueado, será possível substituí-lo usando o mesmo ID na chamada da API REST. Não é possível substituir um modelo bloqueado.
Especificar um local para um modelo
Esta seção só é aplicável se você estiver usando o Vertex AI Gemini API e seu caso de uso exigir restrições com base na localização. Saiba mais sobre como definir um local para acessar um modelo.
Por padrão, quando você usa a interface guiada no console Firebase, provisionamos o modelo em todas as regiões disponíveis para Firebase AI Logic. Fazemos isso para que o modelo fique disponível, não importa o local definido na solicitação. No entanto, se você quiser que seu modelo esteja disponível apenas em um local específico, crie o modelo usando nossa API REST.
Ao chamar o
endpoint projects.locations.templates.create,
especifique o location do modelo como parte da criação de um
PromptTemplate.
Fornecer o modelo como um arquivo
Você pode fornecer o conteúdo de um arquivo de modelo de comando do servidor chamando o
endpoint projects.locations.templates.create.