As práticas recomendadas a seguir podem ajudar você a criar agentes robustos.
Nome do playbook em linguagem natural
Os nomes dos playbooks precisam ser claros, descritivos e em inglês natural. Isso ajuda na performance do AI Generator durante a execução. Por exemplo, "Customer Help Center Playbook" é melhor do que "company_specialist".
Mantenha todos os nomes com menos de 64 caracteres, incluindo letras e espaços em inglês.
Metas concisas
As metas precisam ser uma descrição concisa da finalidade do playbook.
Fornecer instruções de qualidade
As instruções precisam:
- refletir a abordagem detalhada para resolver um problema do usuário final
- conter frases concisas em linguagem natural, com instruções de alto nível
- ser diretas e especificar os cenários para o uso das ferramentas
Pelo menos um exemplo para cada playbook
É recomendável ter pelo menos um exemplo para cada playbook, mas o ideal é ter pelo menos quatro. Os exemplos precisam incluir cenários de caminho feliz.
Sem exemplos suficientes, um playbook pode apresentar um comportamento imprevisível. Se o playbook não estiver respondendo ou se comportando da maneira esperada, é provável que a causa seja a falta de exemplos ou exemplos mal definidos. Melhore os exemplos ou adicione novos.
Precisão de instruções e exemplos
Embora seja útil escrever instruções claras e descritivas, a qualidade e a quantidade de exemplos é que determinam a precisão do comportamento do playbook. Em outras palavras, dedique mais tempo a escrever exemplos detalhados do que instruções perfeitamente precisas.
Ferramentas de referência em exemplos
Se o playbook for projetado para fornecer respostas usando ferramentas, faça referência a elas nos exemplos correspondentes a esse tipo de solicitação.
Campo operationId do esquema de ferramentas
Ao definir esquemas para suas ferramentas, o valor operationId é importante.
As instruções do playbook farão referência a esse valor.
Confira a seguir as recomendações de nomenclatura para esse campo:
- Apenas letras, números e sublinhados.
- Precisa ser exclusivo entre todos os
operationIds descritos no esquema. - Precisa ser um nome significativo que reflita a capacidade fornecida.
Validação do esquema de ferramentas
Valide o esquema de ferramentas. Você pode usar o Swagger Editor para verificar a sintaxe do esquema openAPI 3.0.
Processar resultados de ferramentas vazios
Quando o playbook depende de uma ferramenta para informar a resposta, um resultado de ferramenta vazio pode levar a um comportamento imprevisível do playbook. Às vezes, o AI Generator do playbook alucina informações em uma resposta em vez de um resultado de ferramenta. Para evitar isso, adicione instruções específicas para garantir que o AI Generator do playbook não tente responder por conta própria.
Alguns casos de uso exigem que as respostas do playbook sejam bem fundamentadas nos resultados da ferramenta ou nos dados fornecidos e precisam mitigar as respostas com base apenas no conhecimento do AI Generator do playbook.
Exemplos de instruções para mitigar alucinações:
- "Você precisa usar a ferramenta para responder a todas as perguntas do usuário"
- "Se você não receber nenhum dado da ferramenta, responda que não sabe a resposta à consulta do usuário"
- "Não invente uma resposta se você não receber nenhum dado da ferramenta"
Gerar um esquema com o Gemini
Gemini pode gerar um esquema para você. Por exemplo, tente "você pode criar um exemplo de esquema openAPI 3.0 para o Google Agenda?".
Playbooks focados
Evite criar playbooks muito grandes e complexos. Cada playbook precisa realizar uma tarefa específica e clara. Se você tiver um playbook complexo, divida-o em subplaybooks menores.
Evitar loops e recursão
Não crie loops ou recursão ao vincular agentes nas instruções. Um loop pode ocorrer se você tentar rotear para um playbook ancestral que, direta ou indiretamente, chamou o atual.
Fornecer informações de roteamento para exemplos
Quando um playbook precisa ser roteado para outro, forneça essas informações aos exemplos. Isso é fornecido a um exemplo do campo Concluir o exemplo com informações de saída da seção de exemplo Entrada e saída.
Por exemplo, a frase final desse campo pode ser "Redirecione de volta para o playbook padrão para mais consultas".
Usar funções JavaScript do Dialogflow CX Messenger para personalização
Ao usar o Dialogflow CX Messenger, as seguintes funções são úteis para enviar informações de personalização do usuário da interface da Web para o playbook:
Planejamento de performance
Os recursos generativos geralmente exigem vários segundos ou até dezenas de segundos para gerar uma resposta. Embora os playbooks melhorem a naturalidade da conversa, é fundamental gerenciar os tempos de resposta para manter uma experiência positiva do usuário final. Confira algumas estratégias para otimizar a performance:
Equilibrar o uso de recursos generativos
Considere cuidadosamente a compensação entre o tempo necessário para executar vários recursos generativos e o valor que eles trazem para a conversa. Evite o uso excessivo desses recursos se eles não contribuírem significativamente para o objetivo do usuário.
Minimizar a entrada de recursos generativos
Procure coletar e processar a quantidade mínima de informações necessárias para que um AI Generator gere uma resposta útil. Isso pode reduzir significativamente o tempo de processamento.
Usar o armazenamento em cache de contexto
Se você estiver usando o Gemini por meio de uma ferramenta e tiver um contexto inicial grande, explore o armazenamento em cache de informações usando Vertex AI Context Caching para evitar solicitações repetitivas dos mesmos dados. Implementar respostas fixas para velocidade :
Se o aplicativo não exigir conteúdo dinâmico e exclusivo, considere armazenar respostas usadas com frequência em um banco de dados tradicional, como o Firebase. Como são predefinidas e estão prontamente disponíveis, essas respostas fixas oferecem tempos de resposta muito mais rápidos do que um recurso generativo que precisa calcular uma resposta em tempo real.
Instruir o AI Generator a produzir respostas concisas do playbook
Para entrada e saída de texto, o tempo de resposta do AI Generator depende muito do modelo usado e do comprimento da saída. Respostas curtas podem melhorar significativamente a performance. Embora o comprimento da entrada também seja um fator, o comprimento da saída tem um impacto maior.