Entrenador de IA: prácticas recomendadas

Para optimizar las sugerencias del entrenador de IA, debe proporcionar la siguiente información:

  • Un conjunto de instrucciones escritas
  • Transcripción de una conversación
  • Datos de la API

A cambio, el entrenador de IA proporciona instrucciones aplicables y respuestas de agente sugeridas.

Para recibir las sugerencias más útiles, usa el entrenador de IA en los siguientes casos.

Venta incremental y venta cruzada

Cuando un agente de un centro de contacto tenga que ofrecer otro producto o servicio, el entrenador de IA puede proporcionarle la siguiente información útil.

  • Sugiere cuándo empezar las rebajas y cuándo no intentarlas.
  • Haz preguntas de comprobación para entender las necesidades de los clientes.
  • Recomienda un producto de una lista breve en función del contexto de la conversación.
  • Sugiere cómo abordar las objeciones.

Retención de clientes

Cuando un agente de un centro de contacto intenta convencer a un cliente para que se quede en su empresa, el entrenador de IA puede proporcionarle la siguiente información útil.

  • Sugerir cuándo hacer ofertas de retención.
  • Haz preguntas de comprobación para entender el motivo de la cancelación del cliente.
  • Recomendar ofertas de retención en función del contexto de la conversación.

Automatización en un solo paso con herramientas

El entrenador de IA también puede automatizar el seguimiento de procesos empresariales repetitivos en función de una conversación de atención al cliente.

  • Recuperar el estado del pedido cuando el cliente se haya autenticado y haya proporcionado el número de pedido.
  • Cancelar un pedido cuando se disponga del número de pedido y del motivo de la cancelación.
  • Configura las automatizaciones arriesgadas para que requieran una revisión y una aprobación manuales.

Operaciones arriesgadas

Las operaciones arriesgadas son procesos empresariales automatizados que pueden provocar grandes pérdidas económicas, una brecha de seguridad de los datos o un incumplimiento de las normativas. Por ejemplo, escribir en bases de datos y obtener información sensible sin autenticación. El entrenador de IA puede sugerir tiempos y extraer parámetros de una conversación, pero las operaciones arriesgadas requieren una revisión y una aprobación manuales, por lo que no deben automatizarse por completo.

Instrucciones para el entrenador de IA

Escribe una serie de instrucciones para enseñarle a un entrenador de IA qué acciones debe llevar a cabo un agente y cuándo son necesarias esas acciones a lo largo de una conversación de atención al cliente. Las instrucciones pueden especificar cualquier acción del agente, como pedirle al cliente el PIN de su cuenta, comprobar el estado del pedido e informarle al cliente o enviar una solicitud de cancelación.

Las instrucciones del entrenador de IA incluyen la siguiente información:

  • Título visible: le ayuda a gestionar varias instrucciones. El título visible no es visible para el LLM.

  • Mostrar detalles: especifica el contenido estático que debe devolver el modelo cuando se aplique la instrucción. Los detalles que se muestran pueden incluir una URL, un acceso directo a una herramienta o un sistema internos, una hoja de trucos para los agentes o una llamada a la API backend. Solo los agentes humanos pueden acceder a estos detalles. El modelo no puede ver los detalles de la pantalla.

  • Condición: especifica en qué momento de la conversación se aplica una instrucción. El modelo puede ver la condición.

  • Acción del agente: especifica los pasos que debe seguir el agente cuando se puede aplicar una instrucción. El modelo puede ver la acción del agente.

  • Acción del sistema: especifica qué herramientas se deben usar para la automatización cuando se pueda aplicar una instrucción. El modelo puede ver la acción del sistema.

La condición, la acción del agente y la acción del sistema influyen en las sugerencias del entrenador de IA.

Condición

La condición debe ser clara, concisa y autónoma. Puedes usar una breve descripción del problema de un cliente. Escriba el estado como si se lo estuviera describiendo a una persona normal que no conoce su producto. A continuación, se incluyen algunos ejemplos de condiciones útiles:

  • El cliente quiere cancelar un pedido.
  • El cliente quiere comprar un teléfono nuevo.
  • El cliente tiene una conexión a Internet muy lenta.

Ejemplo

A continuación, se muestra un ejemplo de una condición y una acción de agente que puedes usar.

  • Condición: el cliente solicita que se actualice la dirección de envío por una nueva.
  • Acción del agente: si aún no se ha proporcionado la nueva dirección, pregunta al cliente cuál es la que quiere usar para el envío.

En general, solo debes mostrar el texto de una política de empresa cuando se cumpla la condición pertinente. En este ejemplo, esto significa que el entrenador de IA solo muestra la política de cancelación después de que el cliente exprese que quiere cancelar. En el siguiente ejemplo de entrada, el tema de la conversación se refleja tanto en el título visible como en la condición. El contenido del texto que se muestra al agente se define en el detalle de visualización.

La información que se le proporciona al entrenador de IA:

display_title: order cancellation
display_detail: Company cancellation policy: Orders cannot be canceled more than 30 days after they have been placed. Only the cancellation team can process order cancellations.
condition: the customer wants to cancel an order
agent_action: N/A

Acción del agente

Lo ideal es que puedas verificar cada paso de la acción del agente basándote en las tres fuentes de información siguientes:

  • Instrucciones: consulta los detalles en la sección anterior.
  • Transcripción de la conversación: documento que recoge lo que dicen un agente y un cliente durante una conversación del servicio de atención al cliente.
  • Datos ingeridos: se trata de datos de clientes relevantes que no se encuentran directamente en la conversación, como transacciones recientes, facturas y promociones en curso.

Ejemplo de datos ingeridos que podría usar el entrenador de IA:

ingested_data_key: Product Recommendation
ingested_data_value:
* Microwave-safe, glass food container set, $29.99
* Gila Complete Window Film Application Kit, $19.99

Faltan datos

Si una acción del agente requiere información que falta en el resto de las partes de la instrucción y en la transcripción de la conversación, la API que proporciona los datos ingeridos también debe proporcionar la información que falta.

  • No escribas ninguna acción que requiera información que no se encuentre en esas fuentes.

  • Si no encuentra los datos correspondientes, evite lo siguiente:

    • Explicar la factura al cliente.
    • Informar al cliente de su saldo, la fecha de vencimiento o el estado del pedido.

Varios verbos

Aunque la lista anterior de acciones del agente solo contiene un verbo que indica una acción que debe realizar el agente, un paso puede tener más de un verbo. Por ejemplo, si una empresa quiere que sus agentes recomienden un producto específico y lo relacionen con la condición en una sola respuesta, puede escribir un solo paso de acción del agente, como en la siguiente entrada.

display_title: recommend device protection
display_detail:
 trade-in process: [list steps for trade-in]
 device protection plan: [list plan details]
condition: the customer has issues/questions about trade-in
agent_action:
Recommend the device protection plan and tell the customer it can help them get better trade-in values in the future.

Ejemplo de salida de respuesta

Una acción de agente también puede utilizar datos ingeridos y especificar una plantilla para la salida de la respuesta de ejemplo. Por ejemplo, si una empresa tiene varios productos que recomendar y quiere que sus agentes hagan recomendaciones relevantes para el contexto de la conversación, la acción del agente puede pedirle al entrenador de IA que haga sugerencias específicas en las respuestas de ejemplo. Además, este ejemplo muestra cómo escribir una acción de agente que pida al entrenador de IA que genere respuestas de ejemplo que sigan una plantilla.

display_title: cross-selling
display_detail: see `Product Recommendations` for a relevant product
condition: the customer is inquiring about product availability
agent_action:
Summarize to the customer what product you have been discussing, then recommend a relevant product from the section titled "Product Recommendation" and provide a brief explanation of how the two products are relevant to each other. Use this template for sample responses: "Since we've been talking about ..., I'd like to recommend ... because ...".

Some examples:
- For TVs, recommend TV stands.
- For storage, recommend label writers.
- For slow cookers and microwaves, recommend food container sets.
- For air conditioners, recommend humidifiers.

Acción de varios pasos

Por último, la acción del agente puede constar de más de un paso. Una acción de agente de varios pasos indica cómo debe proceder el agente en una conversación cuando se cumple una sola condición.

En el siguiente ejemplo, el agente debe hacer una serie de preguntas antes de poder procesar la cancelación de un pedido. Cada paso generará una respuesta de ejemplo independiente.

display_title: order cancellation
display_detail:
 cancellation policy: [list policies]
 look up `[order number]` in ordering system
 how to cancel an order [list steps]
condition: the customer wants to cancel an order
agent_action:
1. Ask the customer for the order number.
2. Ask the customer why they want to cancel the order.
3. Inform the customer you are working on the cancellation.
4. Inform the customer that you have canceled the order.
5. Inform the customer that they will receive the refund in 5-7 business days.

Ten en cuenta que un paso como cancelar el pedido puede ser difícil de verificar sin integraciones adicionales. En el ejemplo anterior, lo sustituimos por el paso informa al cliente de que estás trabajando en la cancelación.

Acción del sistema

En la acción del sistema, podemos hacer referencia a herramientas que ya se hayan definido. Esta sección de una instrucción especifica qué herramientas se deben tener en cuenta cuando se cumpla la condición de la instrucción. La referencia a una herramienta debe tener este formato: ${tool:tool_name|action_name}. Para obtener información sobre cómo configurar herramientas, consulta la página Herramientas de OpenAPI y conectores de integración.

A continuación, se muestran algunos ejemplos de acciones del sistema:

Ejemplo 1: Lista de nombres de herramientas y acciones. 

...
system_action:
${tool:order_management|cancel_order}, ${tool:order_management|check_order}

Ejemplo 2: Añadir un comportamiento condicional.

...
system_action:
* if "RESPONSE TO ${TOOL:ORDER_MANAGEMENT|CANCEL_ORDER}" is already present without any error, skip ${tool:order_management|cancel_order} 
* if the order number has been provided, use ${tool:order_management|cancel_order} 
* if "RESPONSE TO ${TOOL:GETORDERDETAILS|GETORDERDETAILS}" shows errors or failures, retry ${tool: order_management | cancel_order}

Uso de directrices generales en el entrenador de IA

El entrenador de IA añade una sección de peticiones configurable llamada "Orientación general", que especifica lo siguiente:

  • Glosario
  • Directrices de estilo, formato y tono para las sugerencias de respuestas de ejemplo
  • Notas importantes sobre cómo usar y seguir las instrucciones

Glosario

En el siguiente glosario se definen claramente los términos cliente vulnerable y autenticación de cuenta. Con este glosario en las directrices generales, puedes usar los términos en las instrucciones sin necesidad de definirlos repetidamente, como en versiones anteriores de Entrenador de IA.

#### Vulnerable customer

A customer is considered a vulnerable customer when at least one of the following is true:

- The customer is experiencing financial hardship.
- The customer has a physical disability or chronic health condition.
- The customer is facing domestic abuse or is in an unsafe situation.

#### Account authentication

Account authentication is considered completed if the account PIN provided by the customer matches the account PIN in the data section *Account PIN*.

Directrices de estilo, formato y tono

Sigue estas directrices de estilo, formato y tono en tus respuestas de ejemplo:

  • Muestra siempre empatía, paciencia y tranquilidad.
  • Evita usar un lenguaje demasiado informal o jerga. Mantén un tono respetuoso pero cálido.
  • En las respuestas, siempre se deben reconocer explícitamente los sentimientos o las preocupaciones del cliente (por ejemplo, "Entiendo que estés frustrado").
  • Usa frases cortas y evita el lenguaje complejo o la jerga.
  • Nunca culpes ni contradigas al cliente. En su lugar, guíalos con amabilidad hacia la información correcta.
  • Empieza cada respuesta reconociendo claramente la principal preocupación del cliente.

Notas sobre el cumplimiento de las instrucciones

Añade notas sobre cómo seguir tus instrucciones. Para mejorar las sugerencias automáticas, también puedes usar notas para especificar el proceso de pensamiento o razonamiento.

Ejemplos

Ejemplo 1: Configurar el comportamiento del modelo

### Follow instructions
* An instruction is applicable if and only if both of the following are true:
  * The condition is met by the conversation and the contexts.
  * Some of the agent actions are not completed yet. (If all the agent actions are done, then the instruction no longer applies.)
* Notes on following the applicable instructions:
  * Do not suggest any sample responses or agent actions that are not specified in the applicable instructions.
  * Do not ask for information not specified in the instructions.
  * If an agent action step is to ask for information that the customer has already provided, then the step should be skipped.
  * **Your suggested responses should fit into the conversation flow**. For example, if the customer and the support agent has moved on to a new issue, you should stop making suggestions for the old issue.
* Each sample response (or agent action suggestion) must be concise and only carry out one step in the applicable instruction. Do not cover multiple steps within one sample response (or agent action suggestion).
* Avoid repetition:
  * Do not suggest sample responses or agent actions that the agent has already said or done earlier in the conversation.
  * Do not ask for information that is already available in the conversation or the contexts.
* For product names, when you provide parameters in system action suggestions, provide the full names, including available specs.
* If multiple instructions lead to the same or similar suggestion, give one suggestion, but with multiple sources.

Ejemplo 2: Ajustar las prioridades de las instrucciones y especificar el proceso de pensamiento para obtener sugerencias más precisas

### Notes on how to use or follow instructions
If there are multiple instructions applicable at the same time, **suggest only one instruction as applicable based on the following priority (from highest to lowest)**:
* [Highest priority] security related

Example: Account authentication is required before anything else.

* [High priority] customer retention
* [Medium priority] issue resolution
* [Low priority] upselling or cross-selling

### Thinking process
Before you make any suggestions, answer the following questions in this output section:
* For each instruction, is it applicable? If yes, what is its priority?
* Which instruction has the highest priority?

En el siguiente ejemplo se ilustra la misma prioridad de las instrucciones con ejemplos de lo que debería sugerir el modelo en determinadas circunstancias.

### Notes on how to use or follow instructions
If there are multiple instructions applicable at the same time, **suggest only one instruction as applicable based on the following priority (from highest to lowest)**:
* [Highest priority] security related

Examnple: Account authentication is required before anything else.

* [High priority] customer retention
* [Medium priority] issue resolution
* [Low priority] up-selling or cross-selling

#### Examples to follow
<example_1>
<instructions>
...
instruction I1
condition: the customer wants to inquire about their current plan
agent action: inform the customer of what plan they have and what features they get
...
instruction I2
condition: the authentication is not done yet
agent action: ask for the account PIN
...
</instructions>
<conversation>
customer: can you tell me what plan I have?
</conversation>
<good_suggestion>
may I have your account PIN, please?
</good_suggestion>
<bad_suggestion>
sure, let me pull up your account information.
</bad_suggestion>
<comment>
Both instructions I1 and I2 are applicable, but I1 should have the highest priority because it's security related. Therefore, asking for the account PIN is a good suggestion.
</comment>
</example_1>

Idioma de salida del entrenador de IA

El entrenador de IA genera sugerencias en el idioma de salida especificado. El modelo decide el idioma de salida de las sugerencias si no se especifica.

Resultados de entrenador de IA

El entrenador de IA devuelve uno o ambos de los siguientes resultados:

  • Instrucciones aplicables: se pueden devolver varias instrucciones aplicables, cada una con su título y sus detalles.

  • Respuestas de ejemplo: el entrenador de IA también genera ejemplos de cómo podría responder un agente en una conversación. Estas respuestas de ejemplo se basan en las instrucciones, los contextos de la conversación y los datos insertados. La respuesta de ejemplo también puede estar vacía.

Casos prácticos

El entrenador con IA tiene tres casos prácticos principales:

  • Detección de intenciones: se usa cuando solo quieres mostrar a los agentes las instrucciones que se pueden aplicar en ese momento y no necesitas las respuestas de ejemplo. Puedes usar los datos insertados (URLs, webhooks, hojas de trucos, etc.) almacenados en los detalles de la pantalla para hacer sugerencias a los agentes o para activar llamadas a APIs insertadas.

  • Indicaciones paso a paso: se trata de mostrar a los agentes indicaciones paso a paso mediante respuestas de ejemplo.

  • Recomendación de productos: se trata de la opción que debes elegir si quieres usar el entrenador de IA para guiar a los agentes sobre cuándo recomendar productos y qué productos recomendar a sus clientes. Los candidatos a recomendación de producto pueden generarse mediante el sistema de recomendación del usuario o un catálogo estático.

Mejora de la calidad

Las siguientes recomendaciones para escribir instrucciones para el entrenador de IA pueden ayudarte a mejorar la calidad de las respuestas de ejemplo, pero no impiden que el entrenador de IA haga sugerencias inesperadas.

Formato de texto para mostrar detalles

Usa la sintaxis de Markdown para mostrar los detalles en un formato enriquecido (enlaces, texto en negrita, etc.). Se renderiza en el Google Cloud simulador de consola, pero también ayuda a implementarlo en la interfaz web.

Formato de texto para la acción del agente

Cuando el entrenador de IA no tenga en cuenta un paso o un requisito concreto, usa texto en negrita para ayudar al modelo a prestar más atención a un fragmento de texto específico. Para crear texto en negrita con la sintaxis de Markdown, añade dos asteriscos a cada lado del texto.

display_title: order cancellation
display_detail:
 cancellation policy: [list policies]
 look up `[order number]` in ordering system
 how to cancel an order [list steps]
condition: the customer wants to cancel an order
agent_action:
1. ask the customer for the order number
2. **ask the customer why they want to cancel the order**
3. inform the customer you are working on the cancellation
4. inform the customer that you have canceled the order
5. inform the customer that they will receive the refund in 5-7 business days

El texto en negrita pierde eficacia si, por ejemplo, se pone en negrita cada paso de la acción del agente. Por lo tanto, usa esta técnica con moderación.

Añadir ejemplos concretos

Si el entrenador de IA no te da las respuestas de ejemplo que esperas, puedes añadir algunos ejemplos de lo que quieres que aparezca en la acción del agente. En el siguiente ejemplo detallado se muestra cómo se pueden usar ejemplos ligeros (destacados):

display_title: smartwatch recommendation
display_detail: see `Smartwatch Catalog` for a relevant smartwatch
condition: the customer recently purchased phones
agent action:
recommend a specific smartwatch from the section titled "Smartwatch Catalog"; the recommendation should match the recently purchased phones from the section titled "Recent Purchases".
Following are some examples:
- For Galaxy phones, recommend Galaxy watch.
- For iPhones, recommend Apple Watch.
- For Pixel phones, recommend Pixel Watch. 
- For other phones, recommend Fitbit Sense.

Sin los ejemplos ligeros, el entrenador basado en IA sugeriría el Apple Watch para Android o mostraría todas las smartwatches disponibles. Con los ejemplos ligeros, las sugerencias son precisas.

Plantillas de mensajes

Para controlar la redacción y el formato de las respuestas de ejemplo generadas, añade una plantilla de mensaje o incluso un mensaje estático fijo a la acción del agente. A diferencia de los ejemplos sencillos, estas plantillas indican la redacción exacta que se debe usar en una respuesta de ejemplo. A continuación, se muestra un ejemplo con las plantillas de mensajes destacadas.

display_title: bill explanation
display_detail:
 look up `[account number]`
 check `Recent Bills` to compare amounts
 https://www.[company name].com/promos
condition: the customer wonders why the bill is getting higher this month
agent_action:
1. ask the customer for the account number. use this fixed message for sample responses: "May I have your account number, please?"
2. compare the bills in the last two months from the section titled "Recent Bills" and inform the customer of the extra charge. use this template for sample responses: "Compared with last month, this month you have an extra charge for ..., which costs ..."

Razonamiento guiado

Si una o varias instrucciones especifican un objetivo sin suficientes pasos o sin aclarar el razonamiento oculto para alcanzarlo, modifica los pasos para que sean más claros. Por ejemplo, cuando se le pide a un agente que recomiende un producto, el producto sugerido debe ser relevante para la conversación. Ayuda al entrenador de IA a hacer sugerencias relevantes añadiendo una subtarea al inicio de la acción del agente que haga referencia al contexto de la conversación.

display_title: cross-selling
display_detail: sample response
condition: the customer is inquiring about product availability
agent_action:
summarize to the customer what product you have been discussing, then recommend a relevant product from the section titled "Product Recommendation" and provide a brief explanation of how the two products are relevant to each other. Use this template for sample responses: "Since we've been talking about ..., I'd like to recommend ... because ...".

En el ejemplo, la tarea principal es sugerir un producto relevante para la conversación. El entrenador de IA puede no entender el contexto y recomendar el primer producto que aparece en la sección Recomendación de producto. Añadir la subtarea puede mejorar considerablemente la relevancia. También debes añadir una plantilla de mensaje al final de la acción del agente para que el resultado de la subtarea encaje bien en las respuestas de ejemplo.

Añadir desduplicación de sugerencias

La función de desduplicación de sugerencias del entrenador de IA evita que se muestren sugerencias duplicadas o muy similares a los agentes. Usa el campo SuggestionDedupingConfig del proto del generador para comparar los componentes de la sugerencia (instrucciones, respuestas de ejemplo, etc.) con un historial de sugerencias recientes. Puedes ajustar la sensibilidad de la similitud mediante un umbral configurable. El mensaje DuplicateCheckResult proporciona los resultados de la comprobación de desduplicación en la respuesta de sugerencia.

Configurar la deduplicación de sugerencias

Para gestionar las sugerencias duplicadas del entrenador de IA, configura SuggestionDedupingConfig en la configuración del generador.

Campos de configuración

SuggestionDedupingConfig tiene los siguientes campos:

  • enable_deduping: define este campo booleano como true para habilitar la función de deduplicación de sugerencias. Si se le asigna el valor false o no se le asigna ninguno, se inhabilitará la desduplicación. Ejemplo:

    suggestion_deduping_config {
enable_deduping: true
}

  • similarity_threshold: usa este umbral de tipo flotante para la deduplicación basada en la similitud en determinados campos. En el proceso de desduplicación, se consideran duplicados las sugerencias con una puntuación de similitud superior a este valor. La puntuación va de 0,0 a 1,0. Si se asigna el valor 0.0 a este campo o no se le asigna ninguno, se usará un umbral predeterminado de 0.8. Ejemplo:

    suggestion_deduping_config {
enable_deduping: true
similarity_threshold: 0.85
}

Cómo funciona la desduplicación

Si enable_deduping es true, puedes comparar las sugerencias con las anteriores. El proceso de desduplicación evalúa la duplicación de cada uno de los siguientes campos de sugerencia:

  • Instrucciones (applicable_instructions): busca coincidencias exactas con las sugerencias del historial.
  • Respuestas de ejemplo (sample_responses): comprueba si hay similitudes entre la sugerencia actual y las sugerencias del historial. Las marcas de desduplicación marcan los resultados duplicados si la puntuación de similitud supera el umbral de similitud.
  • Acciones del agente (agent_action_suggestions): comprueba si hay similitudes entre la sugerencia actual y las sugerencias del historial, de forma similar a las respuestas de muestra. Las marcas de desduplicación marcan los resultados duplicados si la puntuación de similitud supera el umbral de similitud. Los resultados de las comprobaciones de desduplicación se devuelven en el mensaje DuplicateCheckResult.

Resultado: DuplicateCheckResult

El mensaje AgentCoachingSuggestion contiene campos para diferentes tipos de sugerencias (por ejemplo, AgentActionSuggestion y SampleResponse). Cada uno de estos campos incluirá un mensaje DuplicateCheckResult para proporcionar información sobre los posibles duplicados encontrados en el historial. Ejemplo:

// Example within AgentActionSuggestion
message AgentActionSuggestion {
  // ... other fields ...
  DuplicateCheckResult duplicate_check_result = 3;
}

// Duplication check for the suggestion.
message DuplicateCheckResult {
  // The duplicate suggestions.
  repeated DuplicateSuggestion duplicate_suggestions = 1 [
    (google.api.field_behavior) = OUTPUT_ONLY,
    (datapol.semantic_type) = ST_NOT_REQUIRED
  ];

  // The duplicate suggestion details.
  message DuplicateSuggestion {
    // The answer record ID of the past duplicate suggestion.
    string answer_record = 1 [
      (google.api.field_behavior) = OUTPUT_ONLY,
      (datapol.semantic_type) = ST_IDENTIFYING_ID
    ];
    // Sources for the suggestion.
    Sources sources = 2 [(google.api.field_behavior) = OUTPUT_ONLY];
    // The index of the duplicate suggestion in the past suggestion list.
    int32 suggestion_index = 3 [(google.api.field_behavior) = OUTPUT_ONLY];
    // The similarity score of between the past and current suggestion.
    // This is only populated for fields using similarity checks.
    float similarity_score = 4 [(google.api.field_behavior) = OUTPUT_ONLY];
  }
}

Configuración de ejemplo

La configuración del generador de ejemplos habilita la función de deduplicación de sugerencias asignando el valor true a enable_deduping. Además, asigna el valor 0,75 a similarity_threshold. Esto significa que, si el texto de una sugerencia nueva (para respuestas de ejemplo y acciones del agente) tiene una puntuación de similitud igual o superior a 0,75 con alguna de las sugerencias anteriores, la desduplicación la marcará como duplicada con DuplicateCheckResult.

# Example Generator configuration with Deduping enabled
generator {
  # ... other generator fields ...

  suggestion_deduping_config {
    enable_deduping: true
    similarity_threshold: 0.75 # Optional: Adjusts sensitivity for similarity checks
  }

  # ... rest of generator config ...
}