Praktik terbaik berikut dapat membantu Anda membangun agen yang andal.
Nama playbook dalam bahasa alami
Nama playbook harus jelas, deskriptif, dan dalam bahasa Inggris yang alami. Hal ini membantu performa Generator AI saat runtime. Misalnya, "Playbook Pusat Bantuan Pelanggan" lebih baik daripada "company_specialist".
Pastikan semua nama tidak lebih dari 64 karakter, termasuk alfabet dan spasi bahasa Inggris.
Sasaran yang ringkas
Sasaran harus berupa deskripsi ringkas tentang tujuan playbook.
Memberikan petunjuk yang berkualitas
Petunjuk harus:
- Mencerminkan pendekatan langkah demi langkah untuk menyelesaikan masalah pengguna akhir.
- Berupa kalimat bahasa alami yang ringkas berisi petunjuk tingkat tinggi.
- Berikan penjelasan yang jelas dan tentukan skenario penggunaan alat.
Minimal satu contoh untuk setiap playbook
Anda harus memiliki setidaknya satu contoh untuk setiap playbook, tetapi sebaiknya miliki setidaknya empat contoh. Contoh harus mencakup skenario happy path.
Tanpa contoh yang cukup, playbook kemungkinan akan menghasilkan perilaku yang tidak dapat diprediksi. Jika playbook Anda tidak merespons atau berperilaku seperti yang Anda harapkan, kemungkinan penyebabnya adalah contoh yang tidak ada atau tidak didefinisikan dengan baik. Coba tingkatkan kualitas contoh Anda atau tambahkan contoh baru.
Presisi petunjuk dan contoh
Meskipun membantu menulis petunjuk yang jelas dan deskriptif, kualitas dan kuantitas contoh Anda-lah yang benar-benar menentukan akurasi perilaku playbook. Dengan kata lain, luangkan lebih banyak waktu untuk menulis contoh yang menyeluruh daripada menulis petunjuk yang sangat tepat.
Merujuk alat dalam contoh
Jika playbook dirancang untuk memberikan respons menggunakan alat, referensikan alat dalam contoh yang sesuai dengan jenis permintaan ini.
Kolom operationId skema alat
Saat menentukan skema untuk alat Anda, nilai operationId sangat penting. Petunjuk playbook Anda akan merujuk ke nilai ini.
Berikut adalah rekomendasi penamaan untuk kolom ini:
- Hanya huruf, angka, dan garis bawah.
- Harus unik di antara semua
operationIdyang dijelaskan dalam skema. - Harus berupa nama yang bermakna yang mencerminkan kemampuan yang disediakan.
Validasi skema alat
Anda harus memvalidasi skema alat Anda. Anda dapat menggunakan Swagger Editor untuk memeriksa sintaksis skema openAPI 3.0 Anda.
Menangani hasil alat yang kosong
Jika playbook Anda mengandalkan alat untuk memberikan respons, hasil alat yang kosong dapat menyebabkan perilaku playbook yang tidak dapat diprediksi. Terkadang, Generator AI playbook akan berhalusinasi dalam memberikan informasi dalam respons, bukan hasil alat. Untuk mencegah hal ini, Anda dapat menambahkan petunjuk khusus untuk memastikan Generator AI playbook tidak mencoba menjawab sendiri.
Beberapa kasus penggunaan mengharuskan respons playbook didasarkan pada hasil alat atau data yang disediakan dan perlu memitigasi respons yang hanya didasarkan pada pengetahuan Generator AI playbook.
Berikut adalah contoh petunjuk untuk mengurangi halusinasi:
- "Anda harus menggunakan alat ini untuk menjawab semua pertanyaan pengguna"
- "Jika Anda tidak mendapatkan data apa pun dari alat, respons bahwa Anda tidak tahu jawaban atas kueri pengguna"
- "Jangan mengarang jawaban jika Anda tidak mendapatkan data apa pun dari alat"
Membuat skema dengan Gemini
Gemini dapat membuat skema untuk Anda. Misalnya, coba "can you create an example openAPI 3.0 schema for Google Calendar".
Playbook terfokus
Hindari membuat playbook yang sangat besar dan kompleks. Setiap playbook harus menyelesaikan tugas yang spesifik dan jelas. Jika Anda memiliki playbook yang kompleks, pertimbangkan untuk memecahnya menjadi sub-playbook yang lebih kecil.
Menghindari loop dan pengulangan
Jangan membuat loop atau rekursi saat menautkan agen dalam petunjuk Anda. Loop dapat terjadi jika Anda mencoba merutekan ke playbook ancestor yang, secara langsung atau tidak langsung, memanggil playbook saat ini.
Memberikan informasi pemilihan rute ke contoh
Jika playbook harus dirutekan ke playbook lain, Anda harus memberikan informasi ini ke contoh. Contoh ini diberikan ke contoh dari kolom End example with output information di bagian contoh Input & Output.
Misalnya, kalimat terakhir kolom ini dapat berupa "Reroute back to the default playbook for further queries."
Menggunakan fungsi JavaScript Dialogflow CX Messenger untuk personalisasi
Saat menggunakan Dialogflow CX Messenger, fungsi berikut berguna untuk mengirim informasi personalisasi pengguna dari antarmuka web ke playbook:
Perencanaan performa
Fitur generatif biasanya memerlukan waktu beberapa detik atau bahkan puluhan detik untuk menghasilkan respons. Meskipun playbook meningkatkan kealamian percakapan, sangat penting untuk mengelola waktu respons guna mempertahankan pengalaman pengguna akhir yang positif.
Berikut adalah beberapa strategi untuk mengoptimalkan performa:
- Seimbangkan penggunaan fitur generatif: Pertimbangkan dengan cermat konsekuensi antara waktu yang diperlukan untuk menjalankan beberapa fitur generatif dan nilai yang diberikan fitur tersebut pada percakapan. Hindari penggunaan fitur ini secara berlebihan jika tidak berkontribusi secara signifikan terhadap sasaran pengguna.
- Minimalkan input fitur generatif: Berusahalah untuk mengumpulkan dan memproses jumlah informasi minimum yang diperlukan agar Generator AI dapat menghasilkan respons yang berguna. Hal ini dapat mengurangi waktu pemrosesan secara signifikan.
- Gunakan cache konteks: Jika Anda menggunakan Gemini melalui alat dan memiliki konteks awal yang besar, pelajari informasi caching menggunakan Vertex AI Context Caching untuk menghindari permintaan berulang untuk data yang sama.
- Terapkan respons tetap untuk kecepatan: Jika aplikasi Anda tidak memerlukan konten yang unik dan dinamis, pertimbangkan untuk menyimpan respons yang sering digunakan dalam database tradisional seperti Firebase. Karena telah ditentukan dan tersedia, respons tetap ini memberikan waktu respons yang jauh lebih cepat daripada fitur generatif yang perlu menghitung jawaban dengan cepat.
- Perintahkan Generator AI untuk menghasilkan respons playbook yang ringkas: Untuk input dan output teks, waktu respons Generator AI sangat bergantung pada model yang digunakan dan panjang output. Respons singkat dapat meningkatkan performa secara signifikan. Meskipun panjang input juga menjadi faktor, panjang output memiliki dampak yang lebih besar.