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 a melhorar a performance do Gerador de IA durante a execução. Por exemplo, "Manual da Central de Ajuda ao Cliente" é melhor do que "company_specialist".
Mantenha todos os nomes com menos de 64 caracteres, incluindo alfabetos em inglês e espaços.
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 direto 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, provavelmente o problema é a falta de exemplos ou a definição inadequada deles. Tente melhorar os exemplos ou adicionar novos.
Precisão das instruções e exemplos
Embora seja útil escrever instruções claras e descritivas, é a qualidade e a quantidade dos exemplos que determinam a precisão do comportamento do playbook. Em outras palavras, gaste mais tempo escrevendo exemplos detalhados do que instruções perfeitamente precisas.
Ferramentas de referência em exemplos
Se o playbook foi projetado para fornecer respostas usando ferramentas, faça referência a elas nos exemplos correspondentes a esse tipo de solicitação.
Campo operationId do esquema da ferramenta
Ao definir esquemas para suas ferramentas, o valor operationId é importante.
As instruções do manual 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 a capacidade fornecida.
Validação do esquema da ferramenta
Valide o esquema da ferramenta. Use o Swagger Editor para verificar a sintaxe do esquema openAPI 3.0.
Processar resultados de ferramentas vazios
Quando seu 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.
Exemplos de instruções para reduzir 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 à consulta do usuário"
- "Não invente uma resposta se 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".
Manuais focados
Evite criar manuais muito grandes e complexos. Cada playbook deve realizar uma tarefa específica e clara. Se você tiver um playbook complexo, divida-o em subplaybooks menores.
Evite 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 rotas para exemplos
Quando um playbook precisa ser encaminhado para outro, forneça essa informação aos exemplos. Isso é fornecido em um exemplo do campo Concluir o exemplo com informações de saída da seção de exemplo Entrada e saída.
Por exemplo, a frase final deste campo pode ser "Redirecione de volta para o playbook padrão para mais consultas".
Usar funções JavaScript do Conversational Agents (Dialogflow CX) Messenger para personalização
Ao usar o Conversational Agents (Dialogflow CX) Messenger, as seguintes funções são úteis para enviar informações de personalização do usuário da interface da Web para o playbook:
Como planejar a 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 do usuário final. Confira algumas estratégias para otimizar a performance:
Equilibrar o uso de recursos generativos
Considere cuidadosamente a troca entre o tempo necessário para executar vários recursos generativos e o valor que eles trazem para a conversa. Evite usar demais esses recursos se eles não contribuírem significativamente para a meta do usuário.
Minimizar a entrada de recursos generativos
Procure coletar e processar a quantidade mínima de informações necessárias para que um gerador de IA crie uma resposta útil. Isso pode reduzir significativamente o tempo de processamento.
Usar o armazenamento em cache de contexto
Se você estiver usando o Gemini em uma ferramenta e tiver um contexto inicial grande, consulte as informações de armazenamento em cache usando o armazenamento em cache de contexto da Vertex AI 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 disponíveis, essas respostas fixas oferecem tempos de resposta muito mais rápidos do que um recurso generativo que precisa calcular uma resposta na hora.
Instrua o gerador de IA a produzir respostas concisas para o 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 a performance. Embora o tamanho da entrada também seja um fator, o tamanho da saída tem um impacto maior.