Genkit 与 Vertex AI 语义重排序Reranker实战基于假文档内容的重排示例全解析【免费下载链接】genkitOpen-source framework for building agentic apps in JavaScript, Go, Dart, and Python, built and used in production by Google项目地址: https://gitcode.com/GitHub_Trending/ge/genkitGenkit 是 Google 出品的开源 AI 应用框架支持在 JavaScript、Go、Dart 与 Python 中构建可生产的 Agent 应用。语义重排序Reranking是其 RAG检索增强生成体系中的关键一环在向量检索返回一批候选文档后用专门的 reranker 模型按与查询的相关性重新打分排序从而提升送进 LLM 的上下文质量。本文以仓库中js/testapps/vertexai-reranker示例应用为核心从零讲解如何用 Genkit 的 Vertex AI 插件对一组文档执行语义重排包括环境准备、运行方式、两个版本legacy 与 v2的流程实现并深入源码剖析rerank调用链与插件底层原理。读完本文你将能独立搭建并扩展一个基于 Vertex AI reranker 的重排序流程并理解如何在真实 RAG 系统中落地这一能力。示例概览一个麻雀虽小的完整重排应用该示例位于仓库的 js/testapps/vertexai-reranker 目录结构如下src/index.ts示例主体包含 Genkit 配置、硬编码的假文档内容以及两个重排流程legacyRerankFlow与v2RerankFlowsrc/config.ts通过dotenv读取PROJECT_ID与LOCATION两个环境变量package.json项目依赖与运行脚本tsconfig.jsonTypeScript 编译配置。它的工作方式非常直观维护一份写死的字符串数组作为候选文档接收一个查询字符串调用 Vertex AI 的语义重排序模型对候选文档打分最后按相关性分数从高到低返回文档文本与分数。之所以使用假文档Fake Document Content是为了把演示焦点完全放在 reranker 的接入与调用上避开真实的检索与数据源集成复杂度。前置条件在运行示例之前需要确认以下三项Node.js已安装PNPM包管理器已安装一个Vertex AI项目且具备访问重排序模型reranking models所需的权限。注意示例通过 Google Cloud 认证访问 Vertex AI 服务因此本地通常还需要配置好 Google Cloud 凭据如gcloud auth application-default login或通过 config.ts 中传入的googleAuth配置使用服务账号确保google-auth-library能取得有效令牌。环境准备安装依赖与环境变量步骤 1安装依赖克隆仓库后进入示例目录执行pnpm install示例的 package.json 通过workspace:*协议直接引用本仓库的genkit与genkit-ai/vertexai源码包因此依赖安装会在仓库工作区pnpm workspace内完成保证示例始终与当前源码版本一致。步骤 2配置环境变量在示例根目录创建.env文件并设置PROJECT_IDyour_project_id_here LOCATIONyour_location_here这两个变量分别指定 Vertex AI 的项目 ID 与区域例如us-central1。它们被 config.ts 读取import { config } from dotenv; config(); export const PROJECT_ID process.env.PROJECT_ID!; export const LOCATION process.env.LOCATION!;dotenv在模块加载时执行config()随后以非空断言的方式导出两个常量。注意仓库中并未附带.env.example文件请直接创建.env若变量缺失应用会因读取undefined而在初始化阶段报错。运行示例启动 Genkit 服务器准备就绪后在示例目录启动 Genkit 开发服务器genkit start这会启动托管重排流程的服务器。如果你没有全局安装 Genkit CLI也可以使用 package.json 中预置的开发脚本pnpm genkit:dev其定义是genkit start -- npx tsx --watch src/index.ts——先用tsx直接运行 TypeScript 源码带--watch热重载再由 Genkit 服务器托管流程。启动后即可通过 Genkit 开发者界面或向服务器发送请求来调用legacyRerankFlow与v2RerankFlow两个流程观察给定查询默认geometry下的文档重排结果。示例源码逐段解析Genkit 配置三个插件的组合src/index.ts 中通过genkit({...})完成初始化同时挂载了三个插件const ai genkit({ plugins: [ vertexAI({ projectId: PROJECT_ID, location: LOCATION, googleAuth: { scopes: [https://www.googleapis.com/auth/cloud-platform], }, }), vertexAIRerankers({ projectId: PROJECT_ID, location: LOCATION, rerankers: [semantic-ranker-defaultlatest], }), vertexRerankers(), ], });三者分工明确vertexAIVertex AI 主插件负责 Gemini 模型、认证等基础能力googleAuth.scopes申请cloud-platform全量云平台权限vertexAIRerankerslegacy旧版重排序插件通过rerankers数组显式声明要注册的模型此处注册了semantic-ranker-defaultlatest。其实现位于 js/plugins/vertexai/src/rerankers/legacy/index.ts源码注释明确标注deprecated please use vertexRerankers insteadvertexRerankersv2 重排序插件采用延迟解析lazy resolve机制无需预先枚举模型调用时按名称动态解析。其实现位于 js/plugins/vertexai/src/rerankers/v2/index.ts。这个示例故意同时演示两代插件 API方便读者对比迁移。假文档内容src/index.ts 定义了 15 条数学、物理与流行文化主题的字符串作为待重排的候选文档const FAKE_DOCUMENT_CONTENT [ pythagorean theorem, // 勾股定理 emc^2, pi, dinosaurs, eulers identity, prime numbers, fourier transform, ABC conjecture, riemann hypothesis, triangles, schrodingers cat, quantum mechanics, the avengers, harry potter and the philosophers stone, movies, ];可以看到集合中既有与数学/物理高度相关的条目勾股定理、傅里叶变换也有明显无关的条目《复仇者联盟》、恐龙这样当查询为geometry几何时重排结果能直观展示相关文档排前、无关文档沉底的效果。legacyRerankFlow旧版 API 的完整调用legacyRerankFlow 演示了旧版插件的使用方式export const legacyRerankFlow ai.defineFlow( { name: legacyRerankFlow, inputSchema: z.object({ query: z.string().default(geometry) }), outputSchema: z.array( z.object({ text: z.string(), score: z.number(), }) ), }, async ({ query }) { const documents FAKE_DOCUMENT_CONTENT.map((text) Document.fromText(text) ); const rerankedDocuments await ai.rerank({ reranker: vertexai/semantic-ranker-defaultlatest, query: Document.fromText(query), documents, }); return rerankedDocuments.map((doc) ({ text: doc.text, score: doc.metadata.score, })); } );几个值得注意的要点inputSchema给query设置了默认值geometry即使不传参数也能运行文档先通过Document.fromText(text)包装为 Genkit 的Document对象reranker以字符串形式直接指定模型命名空间为vertexai/...这是 legacy 插件注册时使用的名称见下文源码返回结果通过doc.metadata.score取出每个文档的重排分数与doc.text一起组成输出。v2RerankFlow新 API 与选项参数v2RerankFlow 演示了 v2 插件的调用并带上了topN等请求选项export const v2RerankFlow ai.defineFlow( { name: v2RerankFlow, inputSchema: z.object({ query: z.string().default(geometry) }), outputSchema: z.array( z.object({ text: z.string(), score: z.number(), }) ), }, async ({ query }) { const documents FAKE_DOCUMENT_CONTENT.map((text) Document.fromText(text) ); const response await ai.rerank({ reranker: vertexRerankers.reranker(semantic-ranker-fast-004), documents, query, options: { topN: 3, ignoreRecordDetailsInResponse: true, }, }); return response.map((doc: RankedDocument) ({ text: doc.text, score: doc.metadata.score, })); } );与 legacy 版本的差异体现在reranker改为通过vertexRerankers.reranker(semantic-ranker-fast-004)构造类型安全的引用Reference而不是裸字符串编译期即可校验模型名query直接传字符串即可底层rerank会代为转换为Document传入options指定topN: 3只返回分数最高的 3 条与ignoreRecordDetailsInResponse: true响应只含记录 ID 与分数减少回包体积使用了semantic-ranker-fast-004这是较新的快速版模型与 legacy 流程中的semantic-ranker-defaultlatest形成对照。两个流程输出结构完全一致{ text, score }数组按相关度降序排列方便上层直接消费。底层原理rerank 调用链与插件实现核心 APIrerank 函数与 RankedDocument重排序是 Genkit AI 层的一等公民。在 js/ai/src/reranker.ts 中定义了整套类型体系RerankerFnreranker 实现函数签名接收query: Document、documents: Document[]和选项返回RerankerResponseRankedDocument继承Document并强制要求metadata.score为数字额外提供score()便捷方法见 js/ai/src/reranker.ts#L50-L66rerank(registry, params)统一入口。当reranker参数是字符串时会执行registry.lookupAction(/reranker/ name)从注册表中解析出实际 action查询为字符串时自动Document.fromText包装最终把响应中的documents逐一映射为RankedDocumentjs/ai/src/reranker.ts#L194-L219。从源码结构看ai.rerank会绑定到 Genkit 实例自身的 registry因此上述两个流程中的ai.rerank({...})最终都会走这条调用链流程 → ai.rerank → registry 解析 reranker action → 插件实现函数 → Vertex AI 服务 → 按分数排序的 RankedDocument[]。v2 插件配置模式、已知模型与请求构造v2 的模型实现集中在 js/plugins/vertexai/src/rerankers/v2/reranker.ts它定义了请求选项的 Zod Schemaexport const VertexRerankerConfigSchema z.object({ topN: z.number().optional().describe(Number of top documents to rerank), ignoreRecordDetailsInResponse: z.boolean().optional().describe(...), location: z.string().optional().describe(Google Cloud location, e.g., us-central1), }).passthrough();三个可选参数的含义分别为返回 Top-N 条结果、响应是否仅含记录 ID 与分数、覆盖请求区域。.passthrough()允许透传后续新增的参数具备前向兼容性。该文件还维护了已知模型清单export const KNOWN_MODELS { semantic-ranker-defaultlatest: commonRef(semantic-ranker-defaultlatest), semantic-ranker-default-004: commonRef(semantic-ranker-default-004), semantic-ranker-fast-004: commonRef(semantic-ranker-fast-004), semantic-ranker-default-003: commonRef(semantic-ranker-default-003), semantic-ranker-default-002: commonRef(semantic-ranker-default-002), } as const;通过isRerankerModelName判断名称是否以semantic-ranker-开头配合 v2/index.ts 中的resolver实现按需延迟定义——只有真正被引用到的模型才会被解析注册。请求构造与响应映射的细节也在 v2/reranker.ts插件把每个文档序列化为{ id: 下标, content: 文本 }记录连同model、query与透传的options组成RerankRequest发给后端响应中的每条 record 携带id与score插件再按下标找回原始文档把score合并进metadata生成RankedDocument。defineReranker中的注释还指出后端会静默回退到默认模型——因此模型名拼写错误不一定报错却可能拿到非预期结果务必核对模型名。legacy 插件逐步废弃的实现legacy 实现位于 js/plugins/vertexai/src/rerankers/legacy/reranker.ts其vertexAiRerankers函数在初始化时遍历rerankOptions为每个模型调用ai.defineReranker注册名为vertexai/${name}的 action。它直接使用 Google Auth 客户端向getRerankEndpoint(projectId, location)构造的 HTTP 端点发起POST请求并将响应 records 映射为带score的RankedDocument。这也是为什么 legacy 流程中要写vertexai/semantic-ranker-defaultlatest这样的命名空间字符串。同时它也提供了vertexAiRerankerRef工厂函数用于构造引用。两代实现的差异注册时机、命名空间、选项传递方式正是升级到 v2 时需要注意的迁移点。从示例到生产扩展方向示例本身只演示了固定文档 查询的重排闭环从源码结构看将它扩展为真实 RAG 组件并不复杂接入真实检索源把FAKE_DOCUMENT_CONTENT替换为向量检索retriever返回的候选文档例如仓库中 js/plugins/vertexai/src/vectorsearch 提供的 Vector Search 检索器控制返回数量生产场景通常对召回集先粗排再精排v2 的topN选项可限制精排输出条数降低下游 LLM 的输入成本观察与调试借助 Genkit 开发者界面可查看每次ai.rerank调用的输入输出与分数便于调优查询与候选集多模型对比利用KNOWN_MODELS中列出的semantic-ranker-default-002/003/004、semantic-ranker-fast-004等模型做效果评测选择与业务语料最匹配的版本。总结js/testapps/vertexai-reranker示例以最简形式完整呈现了 Genkit Vertex AI 语义重排序的接入路径通过.env配置项目与区域、用genkit start托管流程、经ai.rerank统一调用底层插件。示例同时保留了 legacy 与 v2 两代插件 API 的对照实现而 js/ai/src/reranker.ts 与 js/plugins/vertexai/src/rerankers/v2/reranker.ts 则揭示了从注册表解析、请求构造到RankedDocument返回的完整链路。示例采用 Apache License 2.0 许可详见仓库根目录 LICENSE在此基础上可以轻松扩展出面向真实数据源的精排流水线为 RAG 应用提供高质量的上下文筛选能力。【免费下载链接】genkitOpen-source framework for building agentic apps in JavaScript, Go, Dart, and Python, built and used in production by Google项目地址: https://gitcode.com/GitHub_Trending/ge/genkit创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Genkit 与 Vertex AI 语义重排序（Reranker）实战：基于假文档内容的重排示例全解析
Genkit 与 Vertex AI 语义重排序Reranker实战基于假文档内容的重排示例全解析【免费下载链接】genkitOpen-source framework for building agentic apps in JavaScript, Go, Dart, and Python, built and used in production by Google项目地址: https://gitcode.com/GitHub_Trending/ge/genkitGenkit 是 Google 出品的开源 AI 应用框架支持在 JavaScript、Go、Dart 与 Python 中构建可生产的 Agent 应用。语义重排序Reranking是其 RAG检索增强生成体系中的关键一环在向量检索返回一批候选文档后用专门的 reranker 模型按与查询的相关性重新打分排序从而提升送进 LLM 的上下文质量。本文以仓库中js/testapps/vertexai-reranker示例应用为核心从零讲解如何用 Genkit 的 Vertex AI 插件对一组文档执行语义重排包括环境准备、运行方式、两个版本legacy 与 v2的流程实现并深入源码剖析rerank调用链与插件底层原理。读完本文你将能独立搭建并扩展一个基于 Vertex AI reranker 的重排序流程并理解如何在真实 RAG 系统中落地这一能力。示例概览一个麻雀虽小的完整重排应用该示例位于仓库的 js/testapps/vertexai-reranker 目录结构如下src/index.ts示例主体包含 Genkit 配置、硬编码的假文档内容以及两个重排流程legacyRerankFlow与v2RerankFlowsrc/config.ts通过dotenv读取PROJECT_ID与LOCATION两个环境变量package.json项目依赖与运行脚本tsconfig.jsonTypeScript 编译配置。它的工作方式非常直观维护一份写死的字符串数组作为候选文档接收一个查询字符串调用 Vertex AI 的语义重排序模型对候选文档打分最后按相关性分数从高到低返回文档文本与分数。之所以使用假文档Fake Document Content是为了把演示焦点完全放在 reranker 的接入与调用上避开真实的检索与数据源集成复杂度。前置条件在运行示例之前需要确认以下三项Node.js已安装PNPM包管理器已安装一个Vertex AI项目且具备访问重排序模型reranking models所需的权限。注意示例通过 Google Cloud 认证访问 Vertex AI 服务因此本地通常还需要配置好 Google Cloud 凭据如gcloud auth application-default login或通过 config.ts 中传入的googleAuth配置使用服务账号确保google-auth-library能取得有效令牌。环境准备安装依赖与环境变量步骤 1安装依赖克隆仓库后进入示例目录执行pnpm install示例的 package.json 通过workspace:*协议直接引用本仓库的genkit与genkit-ai/vertexai源码包因此依赖安装会在仓库工作区pnpm workspace内完成保证示例始终与当前源码版本一致。步骤 2配置环境变量在示例根目录创建.env文件并设置PROJECT_IDyour_project_id_here LOCATIONyour_location_here这两个变量分别指定 Vertex AI 的项目 ID 与区域例如us-central1。它们被 config.ts 读取import { config } from dotenv; config(); export const PROJECT_ID process.env.PROJECT_ID!; export const LOCATION process.env.LOCATION!;dotenv在模块加载时执行config()随后以非空断言的方式导出两个常量。注意仓库中并未附带.env.example文件请直接创建.env若变量缺失应用会因读取undefined而在初始化阶段报错。运行示例启动 Genkit 服务器准备就绪后在示例目录启动 Genkit 开发服务器genkit start这会启动托管重排流程的服务器。如果你没有全局安装 Genkit CLI也可以使用 package.json 中预置的开发脚本pnpm genkit:dev其定义是genkit start -- npx tsx --watch src/index.ts——先用tsx直接运行 TypeScript 源码带--watch热重载再由 Genkit 服务器托管流程。启动后即可通过 Genkit 开发者界面或向服务器发送请求来调用legacyRerankFlow与v2RerankFlow两个流程观察给定查询默认geometry下的文档重排结果。示例源码逐段解析Genkit 配置三个插件的组合src/index.ts 中通过genkit({...})完成初始化同时挂载了三个插件const ai genkit({ plugins: [ vertexAI({ projectId: PROJECT_ID, location: LOCATION, googleAuth: { scopes: [https://www.googleapis.com/auth/cloud-platform], }, }), vertexAIRerankers({ projectId: PROJECT_ID, location: LOCATION, rerankers: [semantic-ranker-defaultlatest], }), vertexRerankers(), ], });三者分工明确vertexAIVertex AI 主插件负责 Gemini 模型、认证等基础能力googleAuth.scopes申请cloud-platform全量云平台权限vertexAIRerankerslegacy旧版重排序插件通过rerankers数组显式声明要注册的模型此处注册了semantic-ranker-defaultlatest。其实现位于 js/plugins/vertexai/src/rerankers/legacy/index.ts源码注释明确标注deprecated please use vertexRerankers insteadvertexRerankersv2 重排序插件采用延迟解析lazy resolve机制无需预先枚举模型调用时按名称动态解析。其实现位于 js/plugins/vertexai/src/rerankers/v2/index.ts。这个示例故意同时演示两代插件 API方便读者对比迁移。假文档内容src/index.ts 定义了 15 条数学、物理与流行文化主题的字符串作为待重排的候选文档const FAKE_DOCUMENT_CONTENT [ pythagorean theorem, // 勾股定理 emc^2, pi, dinosaurs, eulers identity, prime numbers, fourier transform, ABC conjecture, riemann hypothesis, triangles, schrodingers cat, quantum mechanics, the avengers, harry potter and the philosophers stone, movies, ];可以看到集合中既有与数学/物理高度相关的条目勾股定理、傅里叶变换也有明显无关的条目《复仇者联盟》、恐龙这样当查询为geometry几何时重排结果能直观展示相关文档排前、无关文档沉底的效果。legacyRerankFlow旧版 API 的完整调用legacyRerankFlow 演示了旧版插件的使用方式export const legacyRerankFlow ai.defineFlow( { name: legacyRerankFlow, inputSchema: z.object({ query: z.string().default(geometry) }), outputSchema: z.array( z.object({ text: z.string(), score: z.number(), }) ), }, async ({ query }) { const documents FAKE_DOCUMENT_CONTENT.map((text) Document.fromText(text) ); const rerankedDocuments await ai.rerank({ reranker: vertexai/semantic-ranker-defaultlatest, query: Document.fromText(query), documents, }); return rerankedDocuments.map((doc) ({ text: doc.text, score: doc.metadata.score, })); } );几个值得注意的要点inputSchema给query设置了默认值geometry即使不传参数也能运行文档先通过Document.fromText(text)包装为 Genkit 的Document对象reranker以字符串形式直接指定模型命名空间为vertexai/...这是 legacy 插件注册时使用的名称见下文源码返回结果通过doc.metadata.score取出每个文档的重排分数与doc.text一起组成输出。v2RerankFlow新 API 与选项参数v2RerankFlow 演示了 v2 插件的调用并带上了topN等请求选项export const v2RerankFlow ai.defineFlow( { name: v2RerankFlow, inputSchema: z.object({ query: z.string().default(geometry) }), outputSchema: z.array( z.object({ text: z.string(), score: z.number(), }) ), }, async ({ query }) { const documents FAKE_DOCUMENT_CONTENT.map((text) Document.fromText(text) ); const response await ai.rerank({ reranker: vertexRerankers.reranker(semantic-ranker-fast-004), documents, query, options: { topN: 3, ignoreRecordDetailsInResponse: true, }, }); return response.map((doc: RankedDocument) ({ text: doc.text, score: doc.metadata.score, })); } );与 legacy 版本的差异体现在reranker改为通过vertexRerankers.reranker(semantic-ranker-fast-004)构造类型安全的引用Reference而不是裸字符串编译期即可校验模型名query直接传字符串即可底层rerank会代为转换为Document传入options指定topN: 3只返回分数最高的 3 条与ignoreRecordDetailsInResponse: true响应只含记录 ID 与分数减少回包体积使用了semantic-ranker-fast-004这是较新的快速版模型与 legacy 流程中的semantic-ranker-defaultlatest形成对照。两个流程输出结构完全一致{ text, score }数组按相关度降序排列方便上层直接消费。底层原理rerank 调用链与插件实现核心 APIrerank 函数与 RankedDocument重排序是 Genkit AI 层的一等公民。在 js/ai/src/reranker.ts 中定义了整套类型体系RerankerFnreranker 实现函数签名接收query: Document、documents: Document[]和选项返回RerankerResponseRankedDocument继承Document并强制要求metadata.score为数字额外提供score()便捷方法见 js/ai/src/reranker.ts#L50-L66rerank(registry, params)统一入口。当reranker参数是字符串时会执行registry.lookupAction(/reranker/ name)从注册表中解析出实际 action查询为字符串时自动Document.fromText包装最终把响应中的documents逐一映射为RankedDocumentjs/ai/src/reranker.ts#L194-L219。从源码结构看ai.rerank会绑定到 Genkit 实例自身的 registry因此上述两个流程中的ai.rerank({...})最终都会走这条调用链流程 → ai.rerank → registry 解析 reranker action → 插件实现函数 → Vertex AI 服务 → 按分数排序的 RankedDocument[]。v2 插件配置模式、已知模型与请求构造v2 的模型实现集中在 js/plugins/vertexai/src/rerankers/v2/reranker.ts它定义了请求选项的 Zod Schemaexport const VertexRerankerConfigSchema z.object({ topN: z.number().optional().describe(Number of top documents to rerank), ignoreRecordDetailsInResponse: z.boolean().optional().describe(...), location: z.string().optional().describe(Google Cloud location, e.g., us-central1), }).passthrough();三个可选参数的含义分别为返回 Top-N 条结果、响应是否仅含记录 ID 与分数、覆盖请求区域。.passthrough()允许透传后续新增的参数具备前向兼容性。该文件还维护了已知模型清单export const KNOWN_MODELS { semantic-ranker-defaultlatest: commonRef(semantic-ranker-defaultlatest), semantic-ranker-default-004: commonRef(semantic-ranker-default-004), semantic-ranker-fast-004: commonRef(semantic-ranker-fast-004), semantic-ranker-default-003: commonRef(semantic-ranker-default-003), semantic-ranker-default-002: commonRef(semantic-ranker-default-002), } as const;通过isRerankerModelName判断名称是否以semantic-ranker-开头配合 v2/index.ts 中的resolver实现按需延迟定义——只有真正被引用到的模型才会被解析注册。请求构造与响应映射的细节也在 v2/reranker.ts插件把每个文档序列化为{ id: 下标, content: 文本 }记录连同model、query与透传的options组成RerankRequest发给后端响应中的每条 record 携带id与score插件再按下标找回原始文档把score合并进metadata生成RankedDocument。defineReranker中的注释还指出后端会静默回退到默认模型——因此模型名拼写错误不一定报错却可能拿到非预期结果务必核对模型名。legacy 插件逐步废弃的实现legacy 实现位于 js/plugins/vertexai/src/rerankers/legacy/reranker.ts其vertexAiRerankers函数在初始化时遍历rerankOptions为每个模型调用ai.defineReranker注册名为vertexai/${name}的 action。它直接使用 Google Auth 客户端向getRerankEndpoint(projectId, location)构造的 HTTP 端点发起POST请求并将响应 records 映射为带score的RankedDocument。这也是为什么 legacy 流程中要写vertexai/semantic-ranker-defaultlatest这样的命名空间字符串。同时它也提供了vertexAiRerankerRef工厂函数用于构造引用。两代实现的差异注册时机、命名空间、选项传递方式正是升级到 v2 时需要注意的迁移点。从示例到生产扩展方向示例本身只演示了固定文档 查询的重排闭环从源码结构看将它扩展为真实 RAG 组件并不复杂接入真实检索源把FAKE_DOCUMENT_CONTENT替换为向量检索retriever返回的候选文档例如仓库中 js/plugins/vertexai/src/vectorsearch 提供的 Vector Search 检索器控制返回数量生产场景通常对召回集先粗排再精排v2 的topN选项可限制精排输出条数降低下游 LLM 的输入成本观察与调试借助 Genkit 开发者界面可查看每次ai.rerank调用的输入输出与分数便于调优查询与候选集多模型对比利用KNOWN_MODELS中列出的semantic-ranker-default-002/003/004、semantic-ranker-fast-004等模型做效果评测选择与业务语料最匹配的版本。总结js/testapps/vertexai-reranker示例以最简形式完整呈现了 Genkit Vertex AI 语义重排序的接入路径通过.env配置项目与区域、用genkit start托管流程、经ai.rerank统一调用底层插件。示例同时保留了 legacy 与 v2 两代插件 API 的对照实现而 js/ai/src/reranker.ts 与 js/plugins/vertexai/src/rerankers/v2/reranker.ts 则揭示了从注册表解析、请求构造到RankedDocument返回的完整链路。示例采用 Apache License 2.0 许可详见仓库根目录 LICENSE在此基础上可以轻松扩展出面向真实数据源的精排流水线为 RAG 应用提供高质量的上下文筛选能力。【免费下载链接】genkitOpen-source framework for building agentic apps in JavaScript, Go, Dart, and Python, built and used in production by Google项目地址: https://gitcode.com/GitHub_Trending/ge/genkit创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考