Les générateurs utilisent les derniers grands modèles de langage (LLM) génératifs de Google et les invites que vous fournissez pour générer le comportement et les réponses de l'agent au moment de l'exécution. Les modèles disponibles sont fournis par Vertex AI.
Un générateur vous permet d'appeler un LLM de façon native à partir de Dialogflow CX sans avoir à créer votre propre webhook externe. Vous pouvez configurer le générateur pour qu'il effectue ce que vous demanderiez normalement à un LLM.
Les générateurs sont parfaits pour des tâches telles que la synthèse, l'extraction de paramètres, les transformations de données, etc. Consultez les exemples ci-dessous.
Limites
Cette fonctionnalité est disponible pour les agents dans n'importe quelle langue Dialogflow, bien que les modèles disponibles puissent présenter des limites linguistiques plus restrictives. Pour en savoir plus, consultez la page Vertex AI.
Comprendre les concepts des générateurs
La documentation de Vertex AI contient des informations qu'il est important de comprendre lors de la création de générateurs pour Dialogflow:
- Modèles (modèles de fondation Google et versions et cycle de vie des modèles)
- Invites
- Commandes (appelées "valeurs de paramètres" dans Vertex AI)
Définir un générateur
Pour créer un générateur:
- Accéder à la console Dialogflow CX
- Sélectionnez votre projet Google Cloud.
- Sélectionnez l'agent.
- Cliquez sur l'onglet Gestion.
- Cliquez sur Générateurs.
- Cliquez sur Créer.
- Saisissez un nom à afficher descriptif pour le générateur.
- Saisissez le texte de la requête, du modèle et des commandes, comme décrit dans la section Concepts.
- Cliquez sur Enregistrer.
La requête textuelle est envoyée au modèle génératif lors du traitement au moment de l'exécution. Il doit s'agir d'une question ou d'une demande claire pour que le modèle génère une réponse satisfaisante.
Vous pouvez rendre l'invite contextuelle en marquant des mots comme espaces réservés en ajoutant un $ avant le mot. Vous pouvez ensuite associer ces espaces réservés d'invite du générateur aux paramètres de session dans le traitement, qui sont remplacés par les valeurs des paramètres de session lors de l'exécution.
Il existe des espaces réservés d'invite de générateur spéciaux qui n'ont pas besoin d'être associés aux paramètres de session. Ces espaces réservés d'invites de générateurs intégrés sont
| Terme | Définition |
|---|---|
$conversation |
Conversation entre l'agent et l'utilisateur, à l'exclusion du tout dernier énoncé de l'utilisateur et de ceux de l'agent qui sont ensuite. |
$last-user-utterance |
Dernier énoncé de l'utilisateur. |
Utiliser un générateur dans le traitement
Vous pouvez utiliser des générateurs pendant le traitement (dans les routes, les gestionnaires d'événements, les paramètres, etc.).
Accédez à la section Generators (Générateurs) du volet Fulfillment et développez-la. Cliquez ensuite sur Add generator (Ajouter un générateur). Vous pouvez maintenant sélectionner un générateur prédéfini ou définir un nouveau générateur.
Après avoir sélectionné un générateur, vous devez associer les espaces réservés de l'invite de générateur aux paramètres de session. De plus, vous devez définir le paramètre de sortie qui contiendra le résultat du générateur après l'exécution.
Notez que vous pouvez ajouter plusieurs générateurs dans un même traitement, qui sont exécutés en parallèle.
Le paramètre de sortie peut ensuite être utilisé ultérieurement, par exemple dans la réponse de l'agent.
Tester un générateur
La fonctionnalité de générateur peut être testée directement dans le simulateur.
Examples
Cette section fournit des exemples de cas d'utilisation pour les générateurs. Étant donné que les générateurs sont une technologie générative basée sur de grands modèles de langage (LLM), les résultats individuels obtenus avec les exemples de requêtes suivants peuvent être différents de ceux décrits ici. L'ensemble des résultats de requête renvoyés par Google sont faits dans la mesure du possible.
Résumés de contenus
Cet exemple montre comment résumer du contenu.
Invite:
Your goal is to summarize a given text.
Text:
$text
A concise summary of the text in 1 or 2 sentences is:
Résumé de conversations
Cet exemple montre comment fournir un résumé de conversation.
Invite:
You are an expert at summarizing conversations between a User and an Agent.
When providing the summary, always start with "Dear $email_address, the conversation summary is as follows:"
Provide a summary in a few bullet points.
Try to be as brief as possible with each bullet point,
only noting the key points of the conversation.
Output the summary in markdown format.
Conversation:
$conversation
Summary:
Requête résolue:
Pour un exemple de conversation, l'invite résolue envoyée au modèle génératif peut être:
You are an expert at summarizing conversations between a User and an Agent.
When providing the summary, always start with "Dear joe@example.com conversation summary is as follows:"
Provide a summary in a few bullet points.
Try to be as brief as possible with each bullet point,
only noting the key points of the conversation.
Output the summary in markdown format.
Conversation:
Agent: Good day! What can I do for you today?
User: Hi, which models can I use in Dialogflow's generators?
Agent: You can use all models that Vertex AI provides!
User: Thanks, thats amazing!
Summary:
Formatage Markdown
Cet exemple montre comment mettre en forme du texte en Markdown.
# Instructions
You are presented with a text and your goal is to apply markdown formatting to text.
**NOTE:** Do not change the meaning of the text, only the formatting.
# Example
## Text
Generators allow you to use Googles latest generative models to format text,
or to create a summaries, or even to write code. What an amazing feature.
## Text in Markdown
*Generators* allow you to use Google's latest generative models to
* format text
* create a summaries
* write code
What an amazing feature.
# Your current task
## Text
$text
## Text in Markdown
Systèmes de questions-réponses
Cette série d'exemples montre comment utiliser des générateurs pour répondre à des questions.
Tout d'abord, vous pouvez simplement compter sur les connaissances internes du modèle génératif pour répondre à la question. Notez toutefois que le modèle fournit simplement une réponse basée sur les informations qui faisaient partie de ses données d'entraînement. Rien ne garantit que la réponse soit vraie ou à jour.
Inviter à répondre à des questions en s'identifiant à lui-même
Your goal is to politely reply to a human with an answer to their question.
The human asked:
$last-user-utterance
You answer:
Inviter à répondre à une question à l'aide des informations fournies
Toutefois, si vous souhaitez que le modèle réponde en fonction des informations que vous fournissez, il vous suffit de les ajouter à la requête. Cela fonctionne si vous ne souhaitez pas fournir trop d'informations (par exemple, un petit menu de restaurant ou les coordonnées de votre entreprise).
# Instructions
Your goal is to politely answer questions about the restaurant menu.
If you cannot answer the question because it's not related to the restaurant
menu or because relevant information is missing from the menu, you politely
decline to answer.
# Restaurant menu:
## Starters
Salat 5$
## Main dishes
Pizza 10$
## Deserts
Ice cream 2$
# Examples
Question: How much is the pizza?
Answer: The pizza is 10$.
Question: I want to order the ice cream.
Answer: We do have ice cream! However, I can only answer questions about the menu.
Question: Do you have spaghetti?
Answer: I'm sorry, we do not have spaghetti on the menu.
# Your current task
Question: $last-user-utterance
Answer:
Inviter à répondre aux questions à l'aide des informations dynamiques fournies
Souvent, les informations sur lesquelles vous voulez que le modèle base sa réponse soient trop nombreuses pour être simplement collées dans la requête. Dans ce cas, vous pouvez connecter le générateur à un système de récupération d'informations, tel qu'une base de données ou un moteur de recherche, pour récupérer dynamiquement les informations en fonction d'une requête. Vous pouvez simplement enregistrer la sortie de ce système dans un paramètre et la connecter à un espace réservé dans l'invite.
# Instructions
Your goal is to politely answer questions based on the provided information.
If you cannot answer the question given the provided information, you plitely
decline to answer.
# Provided information:
$information
Question: $last-user-utterance
Answer:
Génération de code
Cet exemple montre comment utiliser un générateur pour écrire du code. Dans ce cas, il est judicieux d'utiliser un modèle génératif spécialement entraîné pour générer du code.
Prompt (Invite)
# Instructions:
Your goal is to write code in a given programming language solving a given problem.
Problem to solve:
$problem
Programming language:
$programming-language
# Solution:
Escalade à un agent humain
Cet exemple montre comment gérer l'escalade à un agent humain. Les deux dernières instructions de l'invite évitent que le modèle soit trop détaillé.
Invite:
# Instructions:
You are a polite customer service agent that handles requests
from users to speak with an operator.
Based on the $last-user-utterance,
respond to the user appropriately about their request to speak with an operator.
Always be polite and assure the user that you
will do your best to help their situation.
Do not ask the user any questions.
Do not ask the user if there is anything you can do to help them.
# Answer:
Génération de requêtes de recherche
Cet exemple montre comment optimiser une requête de recherche Google fournie par l'utilisateur.
Invite:
# Instructions:
You are an expert at Google Search and using "Google Fu"
to build concise search terms that provide the highest quality results.
A user will provide an example query,
and you will attempt to optimize this to be the best Google Search query possible.
# Example:
User: when was covid-19 first started and where did it originated from?
Agent: covid-19 start origin
# Your task:
User: $text
Agent:
Récupération d'informations client
Cet exemple montre comment effectuer la récupération d'informations et la recherche de données fournies au format chaîne ou JSON. Ces formats sont couramment utilisés par les paramètres de session Dialogflow.
Invite:
You are a database engineer and specialize in extracting information
from both structured and unstructured data formats like CSV, SQL, JSON,
and also plain text.
Given a $user_db, extract the information requested
by the user from the $last-user-utterance
EXAMPLE:
user_db: {'customer_name': 'Patrick', 'balance': '100'}
User: What is my current account balance?
Agent: Your current balance is 100.
Begin!
user_db: $user_db
User: $last-user-utterance
Agent:
Mettre à jour un objet JSON
Cet exemple montre comment accepter un objet JSON d'entrée provenant de l'utilisateur (ou webhook), puis manipuler l'objet en fonction de la requête de l'utilisateur.
Invite:
You are an expert Software Engineer
that specializes in the JSON object data structure.
Given some user $update_request and existing $json_object,
you will modify the $json_object based on the user's $update_request.
EXAMPLE:
json_object = { "a": 1, "b": 123 }
User: Add a new key/value pair to my JSON
Agent: What do you want to add?
User: c: cat
Agent: { "a": 1, "b": 123, "c": "cat"}
json_object = {"accounts": [{"username": "user1", "account_number": 12345}, {"username": "user2", "account_number": 98765}], "timestamp": "2023-05-25", "version":"1.0"}
User: Add a new value for user1
Agent: What do you want to add?
User: birthday, 12/05/1982
Agent: {"accounts": [{"username": "user1", "account_number": 12345, "birthday": "12/05/1982"}, {"username": "user2", "account_number": 98765}], "timestamp": "2023-05-25", "version":"1.0"}
json_object = $json_object
User: Add a new key value to my db
Agent: What do you want to add?
User: $last-user-utterance
Agent:
Atelier de programmation
Consultez également l'atelier de programmation sur les générateurs.
Dépannage
Si vous souhaitez déboguer la fonctionnalité, vous pouvez inspecter l'invite d'entrée du grand modèle de langage (LLM) résolue dans le simulateur de la console Dialogflow:
Cliquez sur le bouton Réponse d'origine:
Recherchez le champ Entrées LLM des générateurs. Lisez ces champs en texte brut et vérifiez si l'entrée du LLM est pertinente. Si une expression contient
$, examinez les entrées du simulateur et déterminez si les$dans les invites sont intentionnelles (par exemple,$dansprice is $10serait probablement intentionnel, tandis quevisit $cityne le ferait probablement pas et pourrait impliquer un usage abusif ou un bug).Si le champ "Saisies LLM génératives" ne s'affiche pas, contactez l'assistance.