Einführung in die Funktionsverwaltung in der Gemini Enterprise Agent Platform | Google Cloud Documentation

Zum Hauptinhalt springen

Dokumentation

Jetzt starten

Erste Schritte mit Google Cloud
Produktliste
Cloud Customer Care

Vorgestellte Produkte

Agent Platform
API-Verwaltung mit Apigee
BigQuery
Compute Engine
Cloud CDN
Cloud Run
Cloud Storage
Cloud SQL
Gemini Enterprise
Google Kubernetes Engine
Looker

Produktübergreifende Tools

Zugriffs- und Ressourcenverwaltung
Kosten- und Nutzungsmanagement
Infrastruktur als Code
SDK, Sprachen, Frameworks und Tools

Technologiebereiche

KI und ML
Anwendungsentwicklung
Anwendungshosting
Compute
Datenanalyse und Pipelines
Datenbanken
Verteilt, Hybrid und Multi-Cloud
Branchenlösungen
Migration
Netzwerk
Beobachtbarkeit und Monitoring
Sicherheit
Storage

/

Console

English
Deutsch
Español – América Latina
Français
Indonesia
Italiano
Português – Brasil
עברית
中文 – 简体
中文 – 繁體
日本語
한국어

Anmelden

Gemini Enterprise Agent Platform

Jetzt kostenlos testen

Übersicht Studio Agenten Modelle Notebooks

Agent Platform
Generative KI

Engineering-Blog

Dokumentation
- Mehr
- Übersicht
- Studio
- Agenten
- Modelle
- Notebooks
- Preise
  - Mehr
- Engineering-Blog
Console

Übersicht
Erste Schritte
Los gehts
Erste Schritte mit der Agent Platform
Gemini API-Code mit dem Gen AI SDK entwickeln
Verbindung zum Knowledge-MCP-Server herstellen
API-Schlüssel abrufen
Standardanmeldedaten für Anwendungen konfigurieren
Von Google AI Studio zur Agent Platform migrieren
Erste Schritte mit Gemini 3
Entwicklerleitfäden für Gemini-Modelle
Google GenAI-Bibliotheken
Kochbuch für generative KI
Mit OpenAI-Bibliotheken auf Gemini-Modelle zugreifen
Expressmodus
Modelle auswählen
- Model Garden
- Übersicht über Model Garden
- Modelle in Model Garden verwenden
- Modellfunktionen testen
- Google-Modelle
- Alle Google-Modelle
- Gemini
  - Auf die neuesten Gemini-Modelle migrieren
  - Pro
  - 3.1 Pro
  - 3 Pro Image
  - 2.5 Pro
  - Blitz
  - 3.8 Flash
  - 3.7 Flash
  - 3.6 Flash
  - 3.5 Flash
  - 3.1 Flash-Image
  - 3 Flash
  - 2.5 Flash
  - 2.5 Flash Image
  - 2.5 Flash Live API
  - Flash-Lite
  - 3.5 Flash-Lite
  - 3.1 Flash-Lite-Bild
  - 3.1 Flash-Lite
  - 2.5 Flash-Lite
  - Omni
  - Omni 1.1 Flash
  - Omni Flash
  - Cyber
  - 3.8 Flash Cyber
  - Transkribieren
  - Gemini 3.5 Transcribe
  - Übersetzen
  - Gemini 3.5 Live-Übersetzung
  - Einbetten
  - Gemini Embedding 2
  - Robotertechnik
  - Gemini Robotics ER 2
    Übersicht
    Räumliches Denken
    Agentische Funktionen
    Aufgabenorchestrierung
    Videos verstehen
- Veo
  - Veo 3
  - Veo 3.1
- Lyria
  - Lyria 2
  - Lyria 3
- Virtueller Test
- Modellversionen
- Partnermodelle
- Übersicht über Partnermodelle
- Claude
- Grok
  - Übersicht
  - Responses API
  - Funktionsaufrufe
  - Strukturierte Ausgabe
  - Schlussfolgerungen ziehen
  - Modelldetails
  - Grok 4.1 Fast
  - Grok 4.20
  - Grok 4.3
  - Grok 4.6
- Mistral AI
  - Übersicht
  - Modelldetails
  - Mistral Medium 3
  - Mistral OCR (25.05)
  - Mistral Small 3.1 (25.03)
  - Codestral 2
- Partnermodelle aus Model Garden bereitstellen
- Einstellung von Partnermodellen
- Offene Modelle
- Übersicht
- AlphaFold 3
- AlphaGenome
- DeepSeek
- Einbettung (e5)
  - Mehrsprachig E5 Small
  - Mehrsprachig E5 Large
- Google Gemma
- Kimi
  - Übersicht
  - Kimi K2 Thinking
- Llama 3
  - Übersicht
  - Vorhersagen anfragen
  - Modelldetails
  - Llama 4 Maverick
  - Llama 4 Scout
  - Llama 3.3
- MiniMax
  - Übersicht
  - MiniMax M2
- OpenAI
- Qwen
- ZAI.org
- Verwaltete offene Modelle (MaaS)
- Selbst bereitgestellte offene Modelle
Build
- Prompt-Design
- Einführung in die Prompts
- Prompt-Strategien
- Aufgabenspezifische Anleitung für Prompts
  - Multimodale Prompts entwerfen
  - Chat-Prompts gestalten
- Leistungsspektrum
- Sicherheit
- Text- und Codegenerierung
- Bildgenerierung
- Videogenerierung
- Musikgenerierung
- Media-Analyse
- URL-Kontext
- Wird generiert
- Live API
- Einbettungen
- Übersetzung
- Sprache aus Text generieren
- Gesprochenes transkribieren
- Modelltools
- Codeausführung
- Computernutzung
- Funktionsaufrufe
- Fundierung
- Entwicklungstools
- KI-gestützte Tools zum Schreiben von Prompts verwenden
  - Übersicht
  - Prompts optimieren
    Übersicht
    Zero-Shot-Optimierung
    Few-Shot-Optimierer
    Datengesteuerte Optimierung
  - Promptvorlagen verwenden
- Modellabstimmung
- Einführung in die Feinabstimmung
- Gemini-Modelle abstimmen
  - Überwachte Feinabstimmung
    Überwachte Feinabstimmung
    Daten vorbereiten
    Überwachte Feinabstimmung verwenden
    
    Unterstützte Modalitäten
    Textoptimierung
    Dokumentoptimierung
    Bildoptimierung
    Audio-Optimierung
    Video-Optimierung
    Funktionsaufrufe optimieren
  - Abstimmung für Reinforcement Learning
    Abstimmung für Reinforcement Learning
    Schneller Einstieg mit der Konsole
    Kurzanleitung zur API
    
    Job für die Feinabstimmung für Reinforcement Learning
    Übersicht
    Abstimmungs-Dataset
    Hyperparameter
    Belohnungsfunktionen
    Messwerte und Monitoring
    Kontinuierliche Optimierung
  - Präferenzabstimmung
    Präferenzabstimmung
    Daten vorbereiten
    Präferenzabstimmung verwenden
  - Abstimmungspunkte verwenden
  - Kontinuierliche Optimierung verwenden
  - Empfehlungen für die Abstimmung mit LoRA und QLoRA
- Offene Modelle
  - Überwachte Feinabstimmung und Destillations-Feinabstimmung
- Einbettungsmodelle
  - Texteinbettungsmodelle abstimmen
- Übersetzungsmodelle
- Migrieren
- Agent Platform-Modelle mit OpenAI-Bibliotheken aufrufen
Bewerten
- Übersicht
- Tutorial: Bewertung mit der Console durchführen
- Bewertung mit dem GenAI-Client im Agent Platform SDK durchführen
- Alternative Bewertungsmethoden
- Bewertung mit dem Bewertungsmodul im Agent Platform SDK
- AutoSxS-Pipeline ausführen
- Berechnungsbasierte Bewertungspipeline ausführen
Bereitstellen
Verwalten
Eigenes Modell erstellen
- Übersicht
- MLOps auf der Agent Platform
- Schnittstellen für die Agent Platform
- Anleitungen für Einsteiger für die Agent Platform
  - AutoML-Modell trainieren
  - Benutzerdefiniertes Modell trainieren
  - Inferenz von einem benutzerdefinierten Modell abrufen
  - Modell mit der Agent Platform und dem Python SDK trainieren
    Einführung
    Voraussetzungen
    Notebook erstellen
    Dataset erstellen
    Trainingsscript erstellen
    Modell trainieren
    Schlussfolgerung ziehen
- Integrierte ML-Frameworks
  - PyTorch
  - TensorFlow
- Agent Platform für BigQuery-Nutzer
- Glossar
- Los gehts
- Projekt- und Entwicklungsumgebung einrichten
- Agent Platform SDK für Python installieren
- Bei der Agent Platform authentifizieren
- Trainingsmethode auswählen
- Anleitung lesen
  - Übersicht über Anleitungen
  - AutoML-Anleitungen
    
    Hello-Bilddaten
    Übersicht
    Projekt und Umgebung einrichten
    Dataset erstellen und Bilder importieren
    AutoML-Bildklassifizierungsmodell trainieren
    Modellleistung bewerten und analysieren
    Modell auf einem Endpunkt bereitstellen und eine Inferenz durchführen
    Projekt bereinigen
    
    Tabellarische Hello-Daten
    Übersicht
    Projekt und Umgebung einrichten
    Dataset erstellen und AutoML-Klassifizierungsmodell trainieren
    Modell bereitstellen und Inferenz anfordern
    Projekt bereinigen
  - Benutzerdefinierte Trainingsanleitungen
    Benutzerdefiniertes tabellarisches Modell trainieren
    
    TensorFlow Keras-Bildklassifizierungsmodell trainieren
    Übersicht
    Projekt und Umgebung einrichten
    Benutzerdefiniertes Bildklassifizierungsmodell trainieren
    Vorhersagen aus einem benutzerdefinierten Bildklassifizierungsmodell bereitstellen
    Projekt bereinigen
    Bildklassifizierungsmodell mit benutzerdefinierten Daten optimieren
- Entwicklungstools der Agent Platform verwenden
- Entwicklertools – Übersicht
- Agent Platform SDK verwenden
  - Übersicht
  - Einführung in das Agent Platform SDK für Python
  - Migrationsanleitung für Python-Version 2.0.1
  - Agent Platform SDK für Python-Klassen
    Agent Platform SDK-Klassen – Übersicht
    Datenklassen
    Trainingsbezogene Klassen
    Modellklassen
    Vorhersageklassen
    Tracking-Klassen
- Terraform-Support für die Agent Platform
- Agent Platform Training
- Übersicht
- Serverloses Training auf der Agent Platform
  - Übersicht über das serverlose Training in Agent Platform
  - Daten laden und vorbereiten
    Übersicht über die Datenvorbereitung
    Cloud Storage als bereitgestelltes Dateisystem verwenden
    NFS-Freigabe für serverloses Training bereitstellen
    Verwaltete Datasets verwenden
  - Trainingsanwendung vorbereiten
    Informationen zum serverlosen Trainingsdienst
    Trainingscode vorbereiten
    
    Vordefinierte Container verwenden
    Python-Trainingsanwendung für einen vordefinierten Container erstellen
    Vordefinierte Container für serverloses Training
    
    Benutzerdefinierte Container verwenden
    Benutzerdefinierte Container für serverloses Training
    Benutzerdefinierten Container erstellen
    Trainingscode lokal containerisieren und ausführen
  - Auf einer nichtflüchtigen Ressource trainieren
    Übersicht
    Nichtflüchtige Ressource erstellen
    Trainingsjobs für eine nichtflüchtige Ressource ausführen
    Informationen zu nichtflüchtigen Ressourcen abrufen
    Nichtflüchtige Ressource neu starten
    Nichtflüchtige Ressource löschen
  - Trainingsjob konfigurieren
    Benutzerdefinierte Trainingsmethode auswählen
    Containereinstellungen für das Training konfigurieren
    Rechenressourcen für das Training konfigurieren
    Reservierungen mit Training verwenden
    Spot-VMs für das Training verwenden
  - Trainingsjob senden
    Benutzerdefinierte Jobs erstellen
    
    Hyperparameter-Abstimmung
    Hyperparameter-Feinabstimmung
    Hyperparameter-Feinabstimmung verwenden
    Schulungspipelines erstellen
    Jobs basierend auf der Ressourcenverfügbarkeit planen
    Verteiltes Training verwenden
    Mit Cloud TPU-VMs trainieren
    Private IP-Adresse für benutzerdefiniertes Training verwenden
    Private Service Connect-Schnittstelle für das Training verwenden (empfohlen)
  - Monitoring und Fehlerbehebung
    Training mit interaktiver Shell überwachen und Fehler beheben
    Leistung des Profilmodelltrainings
  - Anleitung: Pipeline für kontinuierliches Training erstellen
  - Benutzerdefinierte Einschränkungen für Organisationsrichtlinien erstellen
- Gemini Enterprise Agent Platform-Cluster
  - Übersicht
  - Erste Schritte mit Trainingsclustern
  - Überlegungen zur Bereitstellung
    Ressourcen berechnen
    Netzwerk
    Storage
    Orchestrierung
  - Cluster erstellen und verwalten
    Cluster erstellen
    Cluster aufrufen
    Cluster verwalten
    Konten und Jobplanung in einem Cluster verwalten
  - Cluster-Resilienz
  - Resilience-Ereignisse mit einem Dashboard überwachen
  - Leitfäden für Funktionen
    Flex-Start-VMs mit Slurm-Clustern verwenden
  - Arbeitslast in einem Cluster ausführen
    Vorgefertigte Arbeitslasten ausführen
    Jobs mit TensorBoard visualisieren
    Trainingscluster mit Slurm verwalten
- Ray in Agent Platform
- Neural Architecture Search durchführen
- Mit Agent Platform Vizier optimieren
  - Übersicht über Agent Platform Vizier
  - Agent Platform Vizier-Studien erstellen
- Entwicklung von AutoML-Modellen
  - Übersicht über das AutoML-Training
  - Bilddaten
    
    Klassifizierung
    Daten vorbereiten
    Dataset erstellen
    Modell trainieren
    Modell bewerten
    Vorhersagen abrufen
    Ergebnisse interpretieren
    
    Objekterkennung
    Daten vorbereiten
    Dataset erstellen
    Modell trainieren
    Modell bewerten
    Vorhersagen abrufen
    Ergebnisse interpretieren
    Bilddaten mit Base64 codieren
    AutoML Edge-Modell exportieren
  - Tabellarische Daten
    Übersicht
    Einführung in tabellarische Daten
    
    Tabellarische Workflows
    Übersicht
    
    End-to-End-AutoML
    Übersicht
    Modell trainieren
    Onlineinferenzen abrufen
    Batchinferenzen abrufen
    
    Prognosen
    Übersicht
    Modell trainieren
    Onlineinferenzen abrufen
    Batchinferenzen abrufen
    Preise
    Dienstkonten
    Kontingente verwalten
    
    Klassifizierung und Regression mit AutoML durchführen
    Übersicht
    Kurzanleitung: AutoML-Klassifizierung (Cloud Console)
    Trainingsdaten vorbereiten
    Dataset erstellen
    Modell trainieren
    Modell bewerten
    Modellarchitektur aufrufen
    Onlineinferenzen abrufen
    Batchinferenzen abrufen
    Modell exportieren
    
    Prognosen mit AutoML erstellen
    Übersicht
    Trainingsdaten vorbereiten
    Dataset erstellen
    Modell trainieren
    Modell bewerten
    Schlussfolgerungen ziehen
    Hierarchische Prognose
    Prognosen mit ARIMA+ erstellen
    Prognosen mit Prophet ausführen
    Entitätsabgleich durchführen
    Feature-Attributionen für Klassifizierung und Regression
    Feature-Attributionen für Prognosen
    Datentypen und Datenumwandlungen für tabellarische AutoML-Daten
    Trainingsparameter für die Prognose
    Datenaufteilungen für Tabellendaten
    Best Practices für das Erstellen von tabellarischen Trainingsdaten
  - AutoML Edge-Modell trainieren
    Console verwenden
    API verwenden
- Entwicklung von generativen KI-Modellen
- Übersicht
- Datensätze erstellen und verwalten
- Übersicht
- Datenaufteilungen für AutoML-Modelle
- Annotationssatz erstellen
- Annotationssatz löschen
- Labels hinzufügen (Console)
- Metadaten und Annotationen aus einem Dataset exportieren
- Versionen von Bild-Datasets verwalten (nur API)
- Schlussfolgerungen ziehen
- Übersicht
- Modelle für die Inferenz konfigurieren
- Onlineinferenzen abrufen
- Batchinferenzen abrufen
- Generative KI-Modelle bereitstellen
- Benutzerdefinierte Organisationsrichtlinien
- Machine Learning Operations (MLOps)
- Funktionen verwalten
  - Funktionsverwaltung in der Agent Platform
  - Agent Platform Feature Store
    Agent Platform Feature Store
    
    Features einrichten
    Datenquelle vorbereiten
    Featuregruppe erstellen
    Feature erstellen
    
    Online-Bereitstellung einrichten
    Onlinebereitstellungstypen
    Eine Onlinespeicherinstanz erstellen
    Featureansicht-Instanz erstellen
    
    Zugriff kontrollieren
    Ressourcenzugriff steuern
    
    Onlinespeicher synchronisieren
    Datensynchronisierung starten
    Synchronisierungsvorgänge auflisten
    Features in einer Featureansicht aktualisieren
    
    Features bereitstellen
    Features aus dem Onlineshop bereitstellen
    Verlaufs-Featurewerte bereitstellen
    
    Überwachen
    Funktionen überwachen
    
    Funktionsressourcen verwalten
    Featuregruppen auflisten
    Features auflisten
    Featuregruppe aktualisieren
    Feature aktualisieren
    Featuregruppe löschen
    Feature löschen
    
    Onlineshop-Ressourcen verwalten
    Onlinespeicher auflisten
    Featureansichten auflisten
    Einen Onlinespeicher aktualisieren
    Featureansicht aktualisieren
    Einen Onlinespeicher löschen
    Eine Featureansicht löschen
    
    Feature-Metadaten
    Labels aktualisieren
    
    Nach Ressourcen suchen
    Nach Ressourcen suchen
    In Data Catalog nach Ressourcenmetadaten suchen
    
    Einbettungen verwalten
    Mithilfe von Einbettungen suchen
    
    Notebook-Anleitungen
    Tutorial-Notebooks für den Agent Platform Feature Store
- Modelle verwalten