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 o desempenho do gerador de IA no ambiente de execução. Por exemplo, "Manual da Central de Ajuda do cliente" é melhor do que "company_specialist".
Mantenha todos os nomes com menos de 64 caracteres, incluindo letras do alfabeto inglês e espaços.
Metas concisas
Os objetivos devem 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 direto e especificar os cenários para o uso das ferramentas.
Pelo menos um exemplo para cada playbook
É preciso ter pelo menos um exemplo para cada playbook, mas recomendamos ter pelo menos quatro. Os exemplos precisam incluir cenários ideais.
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. Tente melhorar seus exemplos ou adicionar novos.
Precisão das instruções e dos exemplos
Embora seja útil escrever instruções claras e descritivas, são a qualidade e a quantidade dos seus exemplos que determinam a precisão do comportamento do playbook. Em outras palavras, dedique mais tempo a escrever exemplos completos do que instruções perfeitamente precisas.
Ferramentas de referência em exemplos
Se o playbook foi projetado para fornecer respostas usando ferramentas, faça referência às ferramentas 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 vão fazer referência a esse valor.
Confira a seguir as recomendações de nomenclatura para esse campo:
- Somente letras, números e sublinhados.
- Precisa ser exclusivo entre todos os
operationIds descritos no esquema. - Precisa ser um nome significativo que reflita o recurso fornecido.
Validação do esquema da ferramenta
É preciso validar o esquema da ferramenta. Use o Swagger Editor para verificar a sintaxe do esquema da OpenAPI 3.0.
Processar resultados de ferramentas vazios
Quando o playbook depende de uma ferramenta para informar a resposta, um resultado vazio pode levar a um comportamento imprevisível. Às vezes, o gerador de IA do playbook alucina informações em uma resposta em vez de um resultado de ferramenta. Para evitar isso, adicione instruções específicas para garantir que o gerador de IA 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 respostas baseadas apenas no conhecimento do gerador de IA do playbook.
Confira alguns exemplos de instruções para mitigar alucinações:
- "Você precisa usar a ferramenta para responder a todas as perguntas do usuário"
- "Se você não receber dados da ferramenta, responda que não sabe a resposta para a consulta do usuário"
- "Não invente uma resposta se você não receber dados da ferramenta"
Gerar um esquema com o Gemini
O 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 deve 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 suas 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 encaminhado para outro, você precisa fornecer essas informações aos exemplos. Isso é fornecido para 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 "Volte ao playbook padrão para outras 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 levam vários segundos ou até dezenas de segundos para gerar uma resposta. Embora os playbooks melhorem a naturalidade da conversa, é crucial gerenciar os tempos de resposta para manter uma experiência positiva para o usuário final.
Confira algumas estratégias para otimizar o desempenho:
- Equilibre o uso de recursos generativos:considere cuidadosamente a relação entre o tempo necessário para executar vários recursos generativos e o valor que eles agregam à conversa. Evite o uso excessivo desses recursos se eles não contribuírem significativamente para o objetivo do usuário.
- Minimizar a entrada de recursos generativos:colete e processe a quantidade mínima de informações necessárias para que um gerador de IA gere uma resposta útil. Isso pode reduzir significativamente o tempo de processamento.
- Use o cache de contexto:se você estiver usando o Gemini por uma ferramenta e tiver um contexto inicial grande, use o cache de contexto da Vertex AI para evitar solicitações repetitivas para os mesmos dados.
- Implemente respostas fixas para aumentar a velocidade:se o aplicativo não exigir conteúdo dinâmico e exclusivo, considere armazenar as 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.
- Instrua o gerador de IA a produzir respostas concisas do playbook:para entrada e saída de texto, o tempo de resposta do gerador de IA depende muito do modelo usado e do tamanho da saída. Respostas curtas podem melhorar significativamente o desempenho. Embora o tamanho da entrada também seja um fator, o tamanho da saída tem um impacto maior.