Durante uma conversa, os agentes do Dialogflow CX sempre usam modelos de linguagem para entender a intenção do usuário final, mas você pode decidir se e como os modelos de linguagem são usados para respostas do agente. É possível escolher entre recursos totalmente generativos, parcialmente generativos e determinísticos ao criar o agente.
Este guia oferece uma visão geral desses recursos e ajuda você a decidir quais usar.
Totalmente generativos
Os recursos totalmente generativos são criados com base em Vertex AI modelos de linguagem grandes (LLMs) para entender a intenção do usuário final e gerar respostas do agente. Esses recursos oferecem conversas naturais.
Confira uma visão geral dos recursos totalmente generativos:
- Os playbooks oferecem uma maneira de criar agentes virtuais usando LLMs. Forneça instruções de linguagem natural e dados estruturados. Isso reduz o tempo de criação e manutenção do agente virtual e permite criar novos tipos de experiências conversacionais para sua empresa.
- Os **armazenamentos de dados** analisam e compreendem seu conteúdo público ou particular, como sites ou documentos internos. Depois que essas informações são indexadas, o agente pode responder a perguntas e conversar sobre o conteúdo.
Fluxos determinísticos
Se você precisar de um controle mais determinístico sobre a conversa e todas as respostas do agente, crie o agente com fluxos:
- Fluxos usam modelos de linguagem para entender a intenção do usuário final, que pode ser não determinística. No entanto, depois que a intenção é estabelecida, você tem controle total sobre o fluxo de conversa e as respostas do agente. A criação de um agente com fluxos determinísticos leva mais tempo, mas é uma boa opção para agentes que exigem controle explícito sobre as respostas.
Fluxos parcialmente generativos
Os fluxos incluem recursos generativos opcionais que podem ser usados quando você não precisa de controle determinístico sobre as respostas do agente em determinados cenários.
Esses recursos são:
- Os geradores geram respostas do agente. Em vez de fornecer a resposta do agente explicitamente, você fornece um comando de LLM que pode lidar com muitos cenários, incluindo resumo de conversas, respostas a perguntas, recuperação de informações do cliente e escalonamento para um humano.
- A resposta generativa de substituição gera respostas do agente quando a entrada do usuário final não corresponde a uma intenção esperada. É possível ativar a resposta generativa de substituição em determinados cenários fornecendo um comando de LLM para gerar a resposta.