Generatoren

Hinweis: Die Funktion Generatoren ist nicht in der Dialogflow CX SLA enthalten.

Generatoren verwenden die neuesten generativen Large Language Models (LLMs) von Google und von Ihnen bereitgestellte Prompts, um das Verhalten und die Antworten von KI-Agenten zur Laufzeit zu generieren. Die verfügbaren Modelle werden von Vertex AI bereitgestellt.

Mit einem Generator können Sie einen Aufruf an ein LLM direkt aus Dialogflow CX heraus ausführen, ohne einen eigenen externen Webhook erstellen zu müssen. Sie können den Generator so konfigurieren, dass er alles tut, was Sie normalerweise ein LLM fragen würden.

Generatoren eignen sich hervorragend für Aufgaben wie Zusammenfassungen, Parameterextraktion, Daten transformationen usw. Beispiele finden Sie unten.

Beschränkungen

Diese Funktion ist für Agents in allen Dialogflow CX-Sprachen verfügbar. Die verfügbaren Modelle können jedoch strengere Sprachbeschränkungen haben. Weitere Informationen finden Sie unter Vertex AI.

Konzepte von Generatoren

Die Vertex AI-Dokumentation enthält Informationen, die beim Erstellen von Generatoren für Dialogflow CX wichtig sind:

• Modelle (Foundation Models von Google und Modellversionen und -lebenszyklus)
• Prompts
• Steuerelemente (in Vertex AI als „Parameterwerte“ bezeichnet)

Generator definieren

So erstellen Sie einen Generator:

1. Rufen Sie die Dialogflow CX Console auf.
2. Wählen Sie Ihr Google Cloud Projekt aus.
3. Wählen Sie den Agent aus.
4. Klicken Sie auf den Tab Verwalten.
5. Klicken Sie auf Generatoren.
6. Klicken Sie auf Neu erstellen.
7. Geben Sie einen aussagekräftigen Anzeigenamen für den Generator ein.
8. Geben Sie den Text-Prompt, das Modell und die Steuerelemente wie in Konzepten beschrieben ein.
9. Klicken Sie auf Speichern.

Hinweis: Wenn Sie verbotene Formulierungen für den generativen Fallback eingegeben haben, wirken sich diese verbotenen Formulierungen auch auf alle Generatoren aus.

Der Text-Prompt wird während der Ausführung zur Laufzeit an das generative Modell gesendet. Er sollte eine klare Frage oder Anfrage sein, damit das Modell eine zufriedenstellende Antwort generieren kann.

Sie können den Prompt kontextbezogen gestalten, indem Sie Wörter als Platzhalter markieren und ein $ vor das Wort setzen. Später können Sie diese Platzhalter für Generator-Prompts Sitzungsparametern in der Auftragsausführung zuordnen. Während der Ausführung werden sie durch die Werte der Sitzungsparameter ersetzt.

Generator definieren

Es gibt spezielle Platzhalter für Generator-Prompts , die nicht Sitzungsparametern zugeordnet werden müssen. Diese integrierten Platzhalter für Generator-Prompts sind

Begriff	Definition
$conversation	Die Unterhaltung zwischen dem KI-Agenten und dem Nutzer, ohne die letzte Nutzeräußerung und die darauf folgenden Äußerungen des Agenten.
$last-user-utterance	Die letzte Äußerung des Nutzers.

Generator bei der Auftragsausführung verwenden

Hinweis: Sie können einer Auftragsausführung mehrere Generatoren hinzufügen, die parallel ausgeführt werden.

Sie können Generatoren während der Auftragsausführung verwenden (in Routen, Event-Handlern, Parametern und mehr).

Rufen Sie im Bereich Auftragsausführung den Abschnitt Generatoren auf und maximieren Sie ihn. Klicken Sie dann auf Generator hinzufügen. Jetzt können Sie einen vordefinierten Generator auswählen oder einen neuen Generator erstellen.

Nachdem Sie einen Generator ausgewählt haben, müssen Sie die Platzhalter für Generator-Prompts des Prompts Sitzungsparametern zuordnen. Dazu müssen Sie den Ausgabeparameter definieren, der das Ergebnis des Generators nach der Ausführung enthält. Geben Sie im Feld Ausgabeparameter einen Namen für den Ausgabeparameter ein, z. B. things-to-do. Dieser Ausgabeparameter wird in einen Sitzungsparameter geschrieben, auf den Sie in Zukunft verweisen können.

Sie können dann mit dem Ausgabeparameter später auf das Ergebnis des Generators verweisen, z. B. in der Antwort des Agenten: I'd recommend doing $session.params.things-to-do.

Weitere Informationen zum Parameterformat und zur Verwendung finden Sie in der Dokumentation zu Parametern.

Generator testen

Die Funktion Generator kann direkt im Simulator getestet werden.

Generator im Simulator testen

Beispiele

In diesem Abschnitt finden Sie Beispiele für Anwendungsfälle für Generatoren. Da Generatoren eine generative Technologie sind, die auf Large Language Models (LLMs) basiert, können sich Ihre individuellen Ergebnisse bei Verwendung der folgenden Beispiel-Prompts von der hier dokumentierten Ausgabe unterscheiden. Alle von Google zurückgegebenen Prompt-Ergebnisse sind nach bestem Wissen und Gewissen erstellt.

Inhaltszusammenfassung

In diesem Beispiel wird gezeigt, wie Sie Inhalte zusammenfassen.

Prompt :

Your goal is to summarize a given text.

Text:
$text

A concise summary of the text in 1 or 2 sentences is:

Zusammenfassung der Unterhaltung

In diesem Beispiel wird gezeigt, wie Sie eine Zusammenfassung der Unterhaltung erstellen.

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:

Aufgelöster Prompt :

Für eine Beispielunterhaltung könnte der aufgelöste Prompt, der an das generative Modell gesendet wird, so aussehen:

You are an expert at summarizing conversations between a User and an Agent.
When providing the summary, always start with "Dear [e-mail] 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:

Markdown-Formatierung

In diesem Beispiel wird gezeigt, wie Sie Text in Markdown formatieren.

# 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

Question Answering

In dieser Reihe von Beispielen wird gezeigt, wie Sie Generatoren verwenden, um Fragen zu beantworten.

Zuerst können Sie sich einfach auf das interne Wissen des generativen Modells verlassen, um die Frage zu beantworten. Das Modell gibt jedoch nur eine Antwort basierend auf Informationen, die Teil seiner Trainingsdaten waren. Es gibt keine Garantie dafür, dass die Antwort wahr oder aktuell ist.

Prompt für Question Answering mit eigenem Wissen

Your goal is to politely reply to a human with an answer to their question.

The human asked:
$last-user-utterance

You answer:

Prompt für Question Answering mit bereitgestellten Informationen

Wenn das Modell jedoch auf der Grundlage von Informationen antworten soll, die Sie bereitstellen, können Sie diese einfach dem Prompt hinzufügen. Das funktioniert, wenn Sie nicht zu viele Informationen bereitstellen möchten (z.B. eine kleine Speisekarte oder Kontaktinformationen Ihres Unternehmens).

# 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:

Prompt für Question Answering mit dynamisch bereitgestellten Informationen

Oft sind die Informationen, auf denen das Modell seine Antwort basieren soll, zu umfangreich, um sie einfach in den Prompt einzufügen. In diesem Fall können Sie den Generator mit einem Informationsabrufsystem wie einer Datenbank oder einer Suchmaschine verbinden, um die Informationen dynamisch anhand einer Abfrage abzurufen. Sie können die Ausgabe dieses Systems einfach in einem Parameter speichern und mit einem Platzhalter im Prompt verbinden.

# 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:

Codegenerierung

In diesem Beispiel wird gezeigt, wie Sie mit einem Generator Code schreiben. Hier ist es sinnvoll, ein generatives Modell zu verwenden, das speziell für die Codegenerierung trainiert wurde.

Prompt

# 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:

Eskalation an einen Kundenservicemitarbeiter

In diesem Beispiel wird gezeigt, wie Sie die Eskalation an einen Kundenservicemitarbeiter handhaben. Die letzten beiden Anweisungen im Prompt verhindern, dass das Modell zu ausführlich ist.

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:

Suchanfrage generieren

In diesem Beispiel wird gezeigt, wie Sie eine von einem Nutzer bereitgestellte Google-Suchanfrage optimieren.

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:

Abruf von Kundendaten

In diesem Beispiel wird gezeigt, wie Sie Informationen abrufen und Daten durchsuchen, die im String- oder JSON-Format bereitgestellt werden. Diese Formate werden häufig von Dialogflow CX-Sitzungsparametern verwendet.

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:

JSON-Objekt aktualisieren

In diesem Beispiel wird gezeigt, wie Sie ein JSON-Eingabeobjekt vom Nutzer (oder Webhook) akzeptieren und dann das Objekt basierend auf der Anfrage des Nutzers bearbeiten.

Prompt :

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

Weitere Informationen finden Sie im Codelab zu Generatoren.

Fehlerbehebung

Wenn Sie die Funktion debuggen möchten, können Sie den aufgelösten Eingabe-Prompt für das Large Language Model (LLM) im Simulator der Dialogflow Console prüfen:

1. Klicken Sie auf die Schaltfläche Originalantwort:

   

2. Suchen Sie das Feld "LLM-Eingaben für Generatoren". Lesen Sie diese Felder als Nur-Text und prüfen Sie, ob die LLM-Eingabe sinnvoll ist. Wenn eine Formulierung $ enthält, prüfen Sie die Simulator-Eingabe und klären Sie, ob die $ in den Prompts beabsichtigt sind. Beispiel: $ in price is $10 wäre wahrscheinlich beabsichtigt, während visit $city wahrscheinlich nicht beabsichtigt wäre und entweder auf eine falsche Verwendung oder einen Fehler hindeuten könnte.

3. Wenn das Feld „LLM-Eingaben für Generatoren“ nicht angezeigt wird, wenden Sie sich an den Support.