‏File Search جمینی حالا مولتی‌مودال شد

گوگل به‌تازگی سه به‌روزرسانی مهم برای ابزار File Search در Gemini API معرفی کرده که می‌تونه تجربه ساخت سیستم‌های RAG رو زیر و رو کنه. این سه ویژگی عبارتند از: پشتیبانی مولتی‌مودال، متادیتای سفارشی، و ارجاع به صفحات سند. هدف اصلی اینه که توسعه‌دهنده‌ها بتونن داده‌های بی‌ساختار رو بهتر سازمان بدن و نتایج قابل‌تأییدتری از سیستم‌های RAG خودشون بگیرن.

جستجو روی تصویر و متن با هم — شاید مهم‌ترین قابلیت جدید اینه که File Search حالا نه‌تنها متن، بلکه تصاویر رو هم درک می‌کنه. این امکان با مدل Gemini Embedding 2 فراهم شده که می‌تونه محتوای بصری رو به‌صورت native پردازش کنه. یعنی دیگه لازم نیست برای جستجوی یه عکس به کلیدواژه یا اسم فایل تکیه کنی؛ می‌شه با یه توضیح به زبان طبیعی مثل «تصویری با حس نوستالژیک و رنگ‌های گرم» کل آرشیو رو جستجو کرد.

فیلتر کردن داده با متادیتای سفارشی — وقتی تعداد فایل‌ها زیاد میشه، پیدا کردن اطلاعات درست به چالش تبدیل میشه. حالا می‌شه به هر فایل برچسب‌های key-value مثل department: Legal یا status: Final اضافه کرد. موقع query زدن، سیستم فقط روی اون بخش از داده‌ها تمرکز می‌کنه که بهشون نیاز داری — این کار هم سرعت رو بالا می‌بره هم دقت پاسخ‌ها رو.

ارجاع دقیق به صفحه سند — یکی از مشکلات رایج در سیستم‌های RAG اینه که کاربر نمی‌دونه جواب از کجا اومده. حالا File Search می‌تونه هر بخش از پاسخ رو به شماره صفحه دقیق در سند اصلی مرتبط کنه. این سطح از شفافیت برای ابزارهای fact-checking و محیط‌های حرفه‌ای که نیاز به تأیید منابع دارن، خیلی ارزشمنده.

از نظر فنی، آپلود فایل‌ها و جستجو روی اون‌ها با این ابزار ساده‌ست و زیرساخت سنگین رو گوگل مدیریت می‌کنه. توسعه‌دهنده می‌تونه مستقیم روی منطق محصولش تمرکز کنه. این ابزار هم برای پروتوتایپ‌های کوچیک و هم برای اپلیکیشن‌های production-level در مقیاس بزرگ طراحی شده.

مجموع این سه قابلیت یعنی سیستم‌های RAG می‌تونن هم هوشمندتر باشن (درک تصویر)، هم سریع‌تر (فیلتر با متادیتا)، هم قابل‌اعتمادتر (ارجاع به منبع). این یه قدم جدی به سمت RAG‌هایی‌ه که واقعاً در محیط‌های کاری حرفه‌ای قابل‌استفاده‌ان.

نکات کلیدی:

• File Search در Gemini API حالا از تصویر و متن به‌صورت هم‌زمان پشتیبانی می‌کنه
• جستجوی تصویری با مدل Gemini Embedding 2 و بر اساس توضیح زبان طبیعی امکان‌پذیره
• متادیتای key-value سفارشی اجازه می‌ده query رو به یه بخش خاص از داده‌ها محدود کنی
• ارجاع به شماره صفحه دقیق در PDFها شفافیت پاسخ‌ها رو به‌طرز چشمگیری بالا می‌بره
• این ابزار زیرساخت RAG رو مدیریت می‌کنه تا توسعه‌دهنده فقط روی ساخت محصول تمرکز کنه