Menyelesaikan Kesalahan Vertex AI generateContent: Token DOCTYPE Tak Terduga di Node.js

Memahami Kesalahan Vertex AI generateContent DOCTYPE di Node.js

Saat mengintegrasikan Google Cloud Vertex AI dengan Node.js, pengembang terkadang mengalami kesalahan yang tidak terduga, seperti masalah "Token DOCTYPE Tak Terduga". Kesalahan ini biasanya terjadi ketika mencoba menjalankan kode yang berfungsi dengan baik keriting, tetapi gagal dalam lingkungan Node.js. Masalah seperti itu bisa membuat frustasi, terutama bagi mereka yang baru mengenal Vertex AI.

Pesan kesalahan, yang menyertakan referensi ke DOCTYPE dan JSON tidak valid, sering kali merupakan indikasi bahwa respons dari API tidak sesuai format yang diharapkan. Hal ini terjadi ketika konten HTML dikembalikan dan bukan respons JSON yang diharapkan, sehingga sulit untuk diproses. Dalam kasus seperti ini, pemecahan masalah menjadi penting.

Meskipun kesalahan mungkin mengarah ke masalah dalam kode, seperti penanganan permintaan yang tidak tepat, penting juga untuk menyelidiki potensi masalah penyiapan, terutama saat menggunakan Google Cloud CLI di mesin lokal, seperti Windows. Meskipun dokumentasi Vertex AI menawarkan kode contoh, sedikit perbedaan dalam pengaturan lingkungan dapat menyebabkan ketidakkonsistenan.

Artikel ini membahas secara spesifik kesalahan ini dan mengeksplorasi langkah-langkah pemecahan masalah umum. Kami akan memeriksa cuplikan kode, mengeksplorasi potensi penyebabnya, dan menawarkan solusi praktis bagi pengembang yang menghadapi kesalahan DOCTYPE di fungsi generateContent Vertex AI.

Menguraikan Skrip Vertex AI dan Penanganan Kesalahan

Script yang disediakan sebelumnya dirancang untuk menangani proses pembuatan konten menggunakan Google Cloud Vertex AI di lingkungan Node.js. Tujuan utama skrip ini adalah untuk menanyakan model generatif Vertex AI, seperti "gemini-1.0-pro", dengan mengirimkan masukan pengguna dan menerima respons AI. Namun, saat menangani API, masalah tak terduga seperti menerima konten HTML dan bukan JSON dapat terjadi. Di sinilah metode kritis dan teknik penanganan kesalahan berperan. Skrip memastikan bahwa respons diuraikan dengan benar ke dalam format JSON, sehingga mencegah "DOCTYPE kesalahan" masalah yang disebutkan.

Solusi pertama berfokus pada penanganan kesalahan menggunakan coba...tangkap memblokir. Ini memastikan bahwa jika terjadi kesalahan saat memanggil menghasilkan Konten berfungsi, skrip tidak macet. Sebaliknya, kesalahan tertangkap, dan pesan bermakna dicatat ke konsol. Penanganan error yang tangguh seperti ini sangat penting terutama saat menangani layanan eksternal seperti Google Cloud Vertex AI, yang mana masalah jaringan atau respons API yang salah dapat mengakibatkan kegagalan. Selain itu, penggunaan fungsi asinkron memastikan bahwa panggilan API ditangani dengan benar tanpa menghalangi operasi lain, yang penting untuk mengoptimalkan kinerja.

Elemen kunci lainnya dalam skrip adalah penggunaan hasil.json(), yang sangat penting untuk menguraikan respons API ke dalam format yang dapat digunakan. Masalah dalam hal ini muncul karena respon API tidak selalu dijamin dalam format JSON. Dengan memeriksa Tipe Konten header, solusi kedua memastikan bahwa respons benar-benar dalam format JSON sebelum mencoba menguraikannya. Ini membantu mencegah skrip mencoba mengurai halaman kesalahan HTML (seperti yang ada di kesalahan DOCTYPE) sebagai JSON, yang akan mengarah ke "Token tak terduga '

Pada solusi ketiga, fokusnya beralih ke pengujian. Di Sini, tes satuan diimplementasikan menggunakan perpustakaan Mocha dan Chai. Pengujian unit adalah langkah penting dalam memastikan bahwa kode berperilaku seperti yang diharapkan di berbagai lingkungan dan skenario. Dengan menghentikan panggilan API, pengujian dapat mensimulasikan berbagai respons dari layanan Vertex AI, sehingga pengembang dapat memverifikasi bahwa kode tersebut dapat menangani kasus keberhasilan dan kesalahan dengan benar. Pendekatan ini memastikan bahwa produk akhir lebih tangguh dan dapat diandalkan, karena telah diuji untuk berbagai kemungkinan hasil.

// Solution 1: Handling Unexpected HTML Response with Correct Fetching
const { VertexAI } = require('@google-cloud/vertexai');
const vertexAI = new VertexAI({ project: 'your-project-id', location: 'your-location' });
const model = vertexAI.getGenerativeModel({ model: 'gemini-1.0-pro' });
async function run(command) {
  try {
    const result = await model.generateContent({ contents: [{ role: 'user', parts: command }] });
    const jsonResponse = await result.json();
    console.log(jsonResponse);
  } catch (error) {
    console.error('Error processing response:', error.message);
  }
}
run("What is the capital of India?");

// Solution 2: Checking Content-Type Header to Ensure JSON
const { VertexAI } = require('@google-cloud/vertexai');
const vertexAI = new VertexAI({ project: 'your-project-id', location: 'your-location' });
const model = vertexAI.getGenerativeModel({ model: 'gemini-1.0-pro' });
async function run(command) {
  try {
    const result = await model.generateContent({ contents: [{ role: 'user', parts: command }] });
    if (result.headers.get('content-type').includes('application/json')) {
      const jsonResponse = await result.json();
      console.log(jsonResponse);
    } else {
      console.error('Unexpected response format:', result.headers.get('content-type'));
    }
  } catch (error) {
    console.error('Error fetching content:', error.message);
  }
}
run("What is the capital of India?");

// Solution 3: Writing Unit Tests for Vertex AI with Mocha and Chai
const chai = require('chai');
const { expect } = chai;
const sinon = require('sinon');
const { VertexAI } = require('@google-cloud/vertexai');
describe('Vertex AI Generate Content', () => {
  it('should return valid JSON content', async () => {
    const vertexAI = new VertexAI({ project: 'test-project', location: 'test-location' });
    const model = vertexAI.getGenerativeModel({ model: 'gemini-1.0-pro' });
    const stub = sinon.stub(model, 'generateContent').returns(Promise.resolve({
      json: () => ({ response: 'New Delhi' }),
      headers: { get: () => 'application/json' }
    }));
    const result = await model.generateContent('What is the capital of India?');
    const jsonResponse = await result.json();
    expect(jsonResponse.response).to.equal('New Delhi');
    stub.restore();
  });
});

Memahami Masalah Respons Vertex AI di Node.js

Saat bekerja dengan Google Cloud Vertex AI di Node.js, aspek utama yang perlu dipertimbangkan adalah bagaimana data dipertukarkan antara API dan aplikasi. Salah satu masalah umum, seperti yang terlihat dalam skenario ini, adalah menerima respons HTML yang tidak diharapkan, bukan format JSON yang diharapkan. Hal ini dapat menyebabkan kesalahan sintaksis, seperti "Token DOCTYPE tak terduga", yang terjadi karena kode mencoba menguraikan HTML seolah-olah itu adalah JSON. Penyebab utama biasanya adalah permintaan yang salah dikonfigurasi, titik akhir API yang salah, atau masalah autentikasi.

Selain itu, penting untuk mengingat hal itu Node.js beroperasi secara berbeda dari alat baris perintah sejenisnya keriting. Meskipun cURL berinteraksi langsung dengan API melalui HTTP, Node.js menggunakan paket seperti Google Cloud SDK. Pustaka ini menambahkan lapisan abstraksi, yang berarti penanganan kesalahan dan validasi ekstra diperlukan untuk memastikan pertukaran data yang tepat. Menyiapkan header dengan benar, terutama "Jenis Konten" untuk permintaan dan respons, sangat penting untuk menangani panggilan API dengan lancar.

Faktor lain yang dapat menyebabkan kesalahan adalah konfigurasi jaringan atau pengaturan lingkungan lokal. Saat menjalankan Vertex AI SDK pada mesin lokal, lingkungan CLI mungkin berperilaku berbeda dibandingkan lingkungan berbasis cloud. Masalah seperti pengaturan proksi lokal, konfigurasi firewall, atau variabel lingkungan yang hilang dapat memengaruhi respons dari Vertex AI. Oleh karena itu, pengembang harus memastikan bahwa lingkungan lokal mereka sedekat mungkin meniru lingkungan cloud untuk menghindari inkonsistensi saat beralih di antara lingkungan tersebut.