Los generadores usan los modelos de lenguaje grandes (LLMs) generativos más recientes de Google y las instrucciones que proporcionas para generar el comportamiento y las respuestas del agente en el tiempo de ejecución. Los modelos disponibles los proporciona Vertex AI.
Un generador permite hacer una llamada a un LLM de forma nativa desde Dialogflow CX sin necesidad de crear un webhook externo propio. Puedes configurar el generador para que haga cualquier tarea que se suele pedir a un LLM.
Los generadores son muy útiles para tareas como la creación de resúmenes, la extracción de parámetros, la transformación de datos, etcétera. Consulta los ejemplos a continuación.
Limitaciones
Esta función está disponible para los agentes en cualquier idioma de Dialogflow CX, aunque los modelos disponibles pueden tener limitaciones de idioma más restrictivas. Consulta Vertex AI para obtener más información.
Comprende los conceptos del generador
La documentación de Vertex AI contiene información importante que debes comprender cuando crees generadores para Dialogflow CX:
- Modelos (Modelos básicos de Google y Versiones de modelos y ciclo de vida)
- Instrucciones
- Controles (llamados "valores de parámetros" en Vertex AI)
Define un generador
Para crear un generador, haz lo siguiente:
- Ve a la consola de Dialogflow CX.
- Seleccionar tu Google Cloud proyecto.
- Selecciona el agente.
- Haz clic en la pestaña Administrar.
- Haz clic en Generadores.
- Haz clic en Crear nueva.
- Ingresa un nombre visible descriptivo para el generador.
- Ingresa la instrucción de texto, el modelo y los controles como se describe en los conceptos.
- Haz clic en Guardar.
La instrucción de texto se envía al modelo generativo durante el cumplimiento en el tiempo de ejecución. Debe ser una pregunta o solicitud clara para que el modelo genere una respuesta satisfactoria.
Puedes hacer que la instrucción sea contextual marcando palabras como marcadores de posición agregando un $ antes de la palabra. Más adelante, puedes asociar estos marcadores de posición de instrucciones del generador con parámetros de sesión en la entrega, y se reemplazarán por los valores de los parámetros de sesión durante la ejecución.
Existen marcadores de posición especiales para las instrucciones del generador que no necesitan asociarse con parámetros de sesión. Estos marcadores de posición de instrucciones integrados del generador son
| Término | Definición |
|---|---|
$conversation |
La conversación entre el agente y el usuario, sin incluir el último enunciado del usuario ni los enunciados del agente posteriores. |
$last-user-utterance |
Es el último enunciado del usuario. |
Usa un generador en la entrega
Puedes usar generadores durante la entrega (en Rutas, Controladores de eventos, Parámetros y mucho más).
Ve a la sección Generators del panel Fulfillment y expándela. Luego, haz clic en Add generator. Ahora puedes seleccionar un generador predefinido o definir uno nuevo en su lugar.
Después de seleccionar un generador, debes asociar los marcadores de posición de la instrucción del generador de la instrucción con parámetros de sesión. Para ello, debes definir el parámetro de salida que contendrá el resultado del generador después de la ejecución. Ingresa un nombre para el parámetro de salida en el campo Parámetros de salida, por ejemplo, things-to-do. Este parámetro de salida se escribirá en un parámetro de sesión al que podrás hacer referencia en el futuro.
Luego, puedes usar el parámetro de salida para hacer referencia al resultado del generador más adelante, por ejemplo, en la respuesta del agente: I'd recommend doing $session.params.things-to-do.
Para obtener más información sobre el formato y el uso de los parámetros, consulta la documentación de los parámetros.
Prueba un generador
La función de generador se puede probar directamente en el simulador.
Ejemplos
En esta sección, se proporcionan ejemplos de casos de uso para los generadores. Dado que los generadores son una tecnología generativa basada en modelos de lenguaje grandes (LLM), los resultados individuales que obtengas con los siguientes ejemplos de instrucciones podrían ser diferentes de los resultados que se documentan aquí. Todos los resultados de las instrucciones que muestra Google son de mejor esfuerzo.
Resumen de contenido
En este ejemplo, se muestra cómo resumir contenido.
Instrucción:
Your goal is to summarize a given text.
Text:
$text
A concise summary of the text in 1 or 2 sentences is:
Resumen de conversaciones
En este ejemplo, se muestra cómo proporcionar un resumen de la conversación.
Instrucción:
You are an expert at summarizing conversations between a User and an Agent.
When providing the summary, always start with "Dear $email_address, the conversation summary is as follows:"
Provide a summary in a few bullet points.
Try to be as brief as possible with each bullet point,
only noting the key points of the conversation.
Output the summary in markdown format.
Conversation:
$conversation
Summary:
Instrucción resuelta:
En el caso de una conversación de ejemplo, el mensaje resuelto que se envía al modelo generativo podría ser el siguiente:
You are an expert at summarizing conversations between a User and an Agent.
When providing the summary, always start with "Dear joe@example.com conversation summary is as follows:"
Provide a summary in a few bullet points.
Try to be as brief as possible with each bullet point,
only noting the key points of the conversation.
Output the summary in markdown format.
Conversation:
Agent: Good day! What can I do for you today?
User: Hi, which models can I use in Dialogflow CX's generators?
Agent: You can use all models that Vertex AI provides!
User: Thanks, thats amazing!
Summary:
Formato de Markdown
En este ejemplo, se muestra cómo dar formato al texto en Markdown.
# Instructions
You are presented with a text and your goal is to apply markdown formatting to text.
**NOTE:** Do not change the meaning of the text, only the formatting.
# Example
## Text
Generators allow you to use Googles latest generative models to format text,
or to create a summaries, or even to write code. What an amazing feature.
## Text in Markdown
*Generators* allow you to use Google's latest generative models to
* format text
* create a summaries
* write code
What an amazing feature.
# Your current task
## Text
$text
## Text in Markdown
Búsqueda de respuestas
En esta serie de ejemplos, se muestra cómo usar generadores para responder preguntas.
En primer lugar, puedes confiar simplemente en el conocimiento interno del modelo generativo para responder la pregunta. Sin embargo, ten en cuenta que el modelo simplemente proporcionará una respuesta basada en la información que formó parte de sus datos de entrenamiento. No hay garantía de que la respuesta sea verdadera o esté actualizada.
Instrucción para la búsqueda de respuestas con conocimiento propio
Your goal is to politely reply to a human with an answer to their question.
The human asked:
$last-user-utterance
You answer:
Instrucción para la búsqueda de respuestas con la información proporcionada
Sin embargo, si quieres que el modelo responda en función de la información que proporcionas, puedes simplemente agregarla a la instrucción. Esto funciona si no quieres proporcionar demasiada información (p.ej., el menú de un restaurante pequeño o la información de contacto de tu empresa).
# Instructions
Your goal is to politely answer questions about the restaurant menu.
If you cannot answer the question because it's not related to the restaurant
menu or because relevant information is missing from the menu, you politely
decline to answer.
# Restaurant menu:
## Starters
Salat 5$
## Main dishes
Pizza 10$
## Desserts
Ice cream 2$
# Examples
Question: How much is the pizza?
Answer: The pizza is 10$.
Question: I want to order the ice cream.
Answer: We do have ice cream! However, I can only answer questions about the menu.
Question: Do you have spaghetti?
Answer: I'm sorry, we do not have spaghetti on the menu.
# Your current task
Question: $last-user-utterance
Answer:
Instrucción para responder preguntas con información proporcionada de forma dinámica
A menudo, la información en la que quieres que el modelo base su respuesta es demasiada para simplemente pegarla en la instrucción. En este caso, puedes conectar el generador a un sistema de recuperación de información, como una base de datos o un motor de búsqueda, para recuperar la información de forma dinámica según una consulta. Puedes guardar el resultado de ese sistema en un parámetro y conectarlo a un marcador de posición en la instrucción.
# Instructions
Your goal is to politely answer questions based on the provided information.
If you can't answer the question given the provided information, you politely
decline to answer.
# Provided information:
$information
Question: $last-user-utterance
Answer:
Generación de código
En este ejemplo, se muestra cómo usar un generador para escribir código. Ten en cuenta que, en este caso, tiene sentido usar un modelo generativo que se entrenó específicamente para generar código.
Instrucción
# Instructions:
Your goal is to write code in a given programming language solving a given problem.
Problem to solve:
$problem
Programming language:
$programming-language
# Solution:
Derivación a un agente humano
En este ejemplo, se muestra cómo controlar la derivación a un agente humano. Las dos últimas instrucciones de la instrucción evitan que el modelo sea demasiado detallado.
Instrucción:
# Instructions:
You are a polite customer service agent that handles requests
from users to speak with an operator.
Based on the $last-user-utterance,
respond to the user appropriately about their request to speak with an operator.
Always be polite and assure the user that you
will do your best to help their situation.
Do not ask the user any questions.
Do not ask the user if there is anything you can do to help them.
# Answer:
Generación de búsquedas
En este ejemplo, se muestra cómo optimizar una búsqueda de Google proporcionada por el usuario.
Instrucción:
# Instructions:
You are an expert at Google Search and using "Google Fu"
to build concise search terms that provide the highest quality results.
A user will provide an example query,
and you will attempt to optimize this to be the best Google Search query possible.
# Example:
User: when was covid-19 first started and where did it originated from?
Agent: covid-19 start origin
# Your task:
User: $text
Agent:
Recuperación de información del cliente
En este ejemplo, se muestra cómo recuperar información y buscar datos proporcionados en formato de cadena o JSON. Estos formatos suelen usarse en los parámetros de sesión de Dialogflow CX.
Instrucción:
You are a database engineer and specialize in extracting information
from both structured and unstructured data formats like CSV, SQL, JSON,
and also plain text.
Given a $user_db, extract the information requested
by the user from the $last-user-utterance
EXAMPLE:
user_db: {'customer_name': 'Patrick', 'balance': '100'}
User: What is my current account balance?
Agent: Your current balance is 100.
Begin!
user_db: $user_db
User: $last-user-utterance
Agent:
Cómo actualizar un objeto JSON
En este ejemplo, se muestra cómo aceptar un objeto JSON de entrada del usuario (o webhook) y, luego, manipular el objeto según la solicitud del usuario.
Instrucción:
You are an expert Software Engineer
that specializes in the JSON object data structure.
Given some user $update_request and existing $json_object,
you will modify the $json_object based on the user's $update_request.
EXAMPLE:
json_object = { "a": 1, "b": 123 }
User: Add a new key/value pair to my JSON
Agent: What do you want to add?
User: c: cat
Agent: { "a": 1, "b": 123, "c": "cat"}
json_object = {"accounts": [{"username": "user1", "account_number": 12345}, {"username": "user2", "account_number": 98765}], "timestamp": "2023-05-25", "version":"1.0"}
User: Add a new value for user1
Agent: What do you want to add?
User: birthday, 12/05/1982
Agent: {"accounts": [{"username": "user1", "account_number": 12345, "birthday": "12/05/1982"}, {"username": "user2", "account_number": 98765}], "timestamp": "2023-05-25", "version":"1.0"}
json_object = $json_object
User: Add a new key value to my db
Agent: What do you want to add?
User: $last-user-utterance
Agent:
Codelab
Consulta también el Codelab de Generators.
Soluciona problemas
Si quieres depurar la función, puedes inspeccionar la instrucción de entrada resuelta del modelo de lenguaje grande (LLM) en el simulador de la consola de Dialogflow:
Haz clic en el botón de respuesta original:
Busca el campo "Generators LLM Inputs". Lee estos campos como texto sin formato y verifica si la entrada del LLM tiene sentido. Si alguna frase contiene
$, examina la entrada del simulador y aclara si el$en las instrucciones es intencional (por ejemplo,$enprice is $10probablemente sería intencional, mientras quevisit $cityprobablemente no lo sería y podría implicar un uso incorrecto o un error).Si no ves el campo "Entradas de LLM generativo", comunícate con el equipo de asistencia.