Les générateurs utilisent les derniers grands modèles de langage (LLM) génératifs de Google et les requêtes que vous fournissez pour générer le comportement et les réponses de l'agent au moment de l'exécution. Les modèles disponibles sont fournis par Vertex AI.
Un générateur vous permet d'appeler un LLM nativement à partir de Dialogflow CX sans avoir à créer votre propre webhook externe. Vous pouvez configurer le générateur de sorte qu'il fasse tout ce que vous demanderiez habituellement à un LLM.
Les générateurs sont très efficaces pour effectuer certaines tâches comme la synthèse, l'extraction de paramètres, les transformations de données, etc. Consultez les exemples ci-dessous.
Limites
Cette fonctionnalité est disponible pour les agents dans toutes les langues Dialogflow CX, bien que les modèles disponibles puissent avoir des limites linguistiques plus restrictives. Pour en savoir plus, consultez Vertex AI.
Comprendre les concepts de générateur
La documentation Vertex AI contient des informations importantes à comprendre lorsque vous créez des générateurs pour Dialogflow CX :
- Modèles (modèles de fondation Google et versions de modèle et cycle de vie)
- Requêtes
- Contrôles (appelés "valeurs de paramètre" dans Vertex AI)
Définir un générateur
Pour créer un générateur :
- Accédez à la console Dialogflow CX.
- Sélectionnez votre projet Google Cloud .
- Sélectionnez l'agent.
- Cliquez sur l'onglet Gestion.
- Cliquez sur Générateurs.
- Cliquez sur Créer.
- Saisissez un nom à afficher descriptif pour le générateur.
- Saisissez la requête textuelle, le modèle et les commandes comme décrit dans Concepts.
- Cliquez sur Enregistrer.
La requête textuelle est envoyée au modèle génératif lors de l'exécution de la réponse. Il doit s'agir d'une question ou d'une demande claire pour que le modèle puisse générer une réponse satisfaisante.
Vous pouvez contextualiser la requête en marquant des mots comme espaces réservés en ajoutant un $ avant le mot. Vous pourrez ensuite associer ces espaces réservés pour les requêtes du générateur aux paramètres de session dans le fulfillment. Ils seront remplacés par les valeurs des paramètres de session lors de l'exécution.
Il existe des espaces réservés pour les invites du générateur qui n'ont pas besoin d'être associés à des paramètres de session. Ces espaces réservés pour les requêtes de générateur intégrées sont
| Terme | Définition |
|---|---|
$conversation |
La conversation entre l'agent et l'utilisateur, à l'exception du tout dernier énoncé de l'utilisateur et des énoncés de l'agent qui suivent. |
$last-user-utterance |
Le dernier énoncé de l'utilisateur. |
Utiliser un générateur dans un fulfillment
Vous pouvez utiliser des générateurs lors du fulfillment (dans les routes, les gestionnaires d'événements, les paramètres, etc.).
Accédez à la section Générateurs du volet Fulfillment, puis développez-la. Cliquez ensuite sur Ajouter un générateur. Vous pouvez désormais sélectionner un générateur prédéfini ou en définir un nouveau.
Après avoir sélectionné un générateur, vous devez associer les espaces réservés pour les invites du générateur de l'invite aux paramètres de session. Pour ce faire, vous devez définir le paramètre de sortie qui contiendra le résultat du générateur après l'exécution. Saisissez un nom pour le paramètre de sortie dans le champ Paramètres de sortie (par exemple, things-to-do). Ce paramètre de sortie sera écrit dans un paramètre de session que vous pourrez référencer ultérieurement.
Vous pouvez ensuite utiliser le paramètre de sortie pour référencer le résultat du générateur ultérieurement, par exemple dans la réponse de l'agent : I'd recommend doing $session.params.things-to-do.
Pour en savoir plus sur le format et l'utilisation des paramètres, consultez la documentation sur les paramètres.
Tester un générateur
La fonctionnalité Générateur peut être testée directement dans le simulateur.
Exemples
Cette section fournit des exemples de cas d'utilisation pour les générateurs. Étant donné que les générateurs sont une technologie générative basée sur des grands modèles de langage (LLM), les résultats individuels que vous obtiendrez en utilisant les exemples de requêtes suivants peuvent être différents de ceux documentés ici. Tous les résultats d'invites renvoyés par Google sont fournis dans la mesure du possible.
Résumés de contenus
Cet exemple montre comment résumer du contenu.
Prompt :
Your goal is to summarize a given text.
Text:
$text
A concise summary of the text in 1 or 2 sentences is:
Résumés de conversations
Cet exemple montre comment fournir un résumé de conversation.
Prompt :
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:
Requête résolue :
Voici un exemple de requête résolue qui pourrait être envoyée au modèle génératif :
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:
Mise en forme Markdown
Cet exemple montre comment mettre en forme du texte 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
Systèmes de questions-réponses
Cette série d'exemples montre comment utiliser des générateurs pour répondre à des questions.
Tout d'abord, vous pouvez simplement vous appuyer sur les connaissances internes du modèle génératif pour répondre à la question. Toutefois, notez que le modèle fournira simplement une réponse basée sur les informations qui faisaient partie de ses données d'entraînement. Il n'est pas garanti que la réponse soit vraie ou à jour.
Requête pour un système de questions-réponses avec connaissances propres
Your goal is to politely reply to a human with an answer to their question.
The human asked:
$last-user-utterance
You answer:
Requête pour répondre à des questions à l'aide des informations fournies
Toutefois, si vous souhaitez que le modèle réponde en se basant sur les informations que vous fournissez, vous pouvez simplement les ajouter à la requête. Cette méthode fonctionne si vous ne souhaitez pas fournir trop d'informations (par exemple, un petit menu de restaurant ou les coordonnées de votre entreprise).
# Instructions
Your goal is to politely answer questions about the restaurant menu.
If you cannot answer the question because it's not related to the restaurant
menu or because relevant information is missing from the menu, you politely
decline to answer.
# Restaurant menu:
## Starters
Salat 5$
## 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:
Requête pour répondre à des questions avec des informations dynamiques fournies
Souvent, les informations sur lesquelles vous souhaitez que le modèle base sa réponse sont trop nombreuses pour être simplement collées dans la requête. Dans ce cas, vous pouvez connecter le générateur à un système de récupération d'informations tel qu'une base de données ou un moteur de recherche, pour récupérer dynamiquement les informations en fonction d'une requête. Il vous suffit d'enregistrer la sortie de ce système dans un paramètre et de la connecter à un espace réservé dans la requête.
# 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:
Génération de code
Cet exemple montre comment utiliser un générateur pour écrire du code. Notez qu'il est judicieux d'utiliser un modèle génératif spécifiquement entraîné pour générer du code.
Prompt (Requête)
# 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:
Escalade à un agent humain
Cet exemple montre comment gérer l'escalade vers un agent humain. Les deux dernières instructions de l'invite empêchent le modèle d'être trop verbeux.
Prompt :
# 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:
Génération de requêtes de recherche
Cet exemple montre comment optimiser une requête de recherche Google fournie par l'utilisateur.
Prompt :
# 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:
Récupérer les informations sur le client
Cet exemple montre comment effectuer la récupération d'informations et la recherche de données fournies au format chaîne ou JSON. Ces formats sont couramment utilisés par les paramètres de session Dialogflow CX.
Prompt :
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:
Mettre à jour un objet JSON
Cet exemple montre comment accepter un objet JSON d'entrée de l'utilisateur (ou d'un webhook), puis manipuler l'objet en fonction de la demande de l'utilisateur.
Requête :
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:
Atelier de programmation
Consultez également le codelab sur les générateurs.
Dépannage
Si vous souhaitez déboguer la fonctionnalité, vous pouvez inspecter l'invite d'entrée du grand modèle de langage (LLM) résolue dans le simulateur de la console Dialogflow :
Cliquez sur le bouton Réponse d'origine :
Recherchez le champ "Generators LLM Inputs". Lisez ces champs en texte brut et vérifiez si l'entrée du LLM est logique. Si une expression contient
$, examinez l'entrée du simulateur et précisez si les$dans les requêtes sont intentionnels (par exemple,$dansprice is $10serait probablement intentionnel, tandis quevisit $cityne le serait probablement pas et pourrait impliquer une mauvaise utilisation ou un bug).Si vous ne voyez pas le champ "Entrées LLM génératives ", contactez l'assistance.