Generatoren

Hinweis: Das Feature Generators ist vom Dialogflow-SLA ausgeschlossen.

Generatoren verwenden die neuesten generativen Large Language Models (LLMs) von Google sowie von Ihnen bereitgestellte Aufforderungen, um das Verhalten des Agents und die Antworten zur Laufzeit zu generieren. Die verfügbaren Modelle werden von Vertex AI bereitgestellt.

Mit einem Generator können Sie ein LLM nativ aus Dialogflow CX aufrufen, ohne einen eigenen externen Webhook erstellen zu müssen. Sie können den Generator für alles konfigurieren, wozu Sie normalerweise ein LLM auffordern würden.

Generatoren eignen sich hervorragend für Aufgaben wie die Zusammenfassung, Parameterextraktion, Datentransformationen usw. (siehe Beispiele unten).

Beschränkungen

Dieses Feature ist für Agents in jeder Dialogflow-Sprache verfügbar. Die verfügbaren Modelle können jedoch strengere Spracheinschränkungen haben. Weitere Informationen finden Sie unter Vertex AI.

Konzepte von Generatoren verstehen

Die Vertex AI-Dokumentation enthält Informationen, die Sie beim Erstellen von Generatoren für Dialogflow unbedingt kennen sollten:

• Modelle (Google-Basismodelle und Modellversionen und Lebenszyklus)
• Prompts
• Steuerelemente (in Vertex AI „Parameterwerte“ genannt)

Generator definieren

So erstellen Sie einen Generator:

1. Zur Dialogflow CX Console
2. Wählen Sie Ihr Google Cloud-Projekt aus.
3. Wählen Sie den Agent aus.
4. Klicken Sie auf den Tab Verwalten.
5. Klicken Sie auf Generatoren.
6. Klicken Sie auf Neu erstellen.
7. Geben Sie einen aussagekräftigen Anzeigenamen für den Generator ein.
8. Geben Sie den Text-Prompt, das Modell und die Steuerelemente wie unter Konzepte beschrieben ein.
9. Klicken Sie auf Speichern.

Hinweis :Wenn Sie für die Verwendung mit dem generativen Fallback gesperrte Wortgruppen eingegeben haben, wirken sich diese gesperrten Formulierungen auch auf alle Generatoren aus.

Der Text-Prompt wird während der Auftragsausführung zur Laufzeit an das generative Modell gesendet. Es sollte eine klare Frage oder Anfrage sein, damit das Modell eine zufriedenstellende Antwort generiert.

Sie können den Prompt kontextabhängig gestalten, indem Sie Wörter als Platzhalter markieren. Fügen Sie dazu ein $ vor dem Wort ein. Sie können diese Platzhalter für Generator-Prompts später bei der Ausführung mit Sitzungsparametern verknüpfen. Sie werden dann bei der Ausführung durch die Sitzungsparameterwerte ersetzt.

Generator definieren

Es gibt spezielle Generator-Platzhalter für Eingabeaufforderungen, die nicht mit Sitzungsparametern verknüpft werden müssen. Diese integrierten Platzhalter für Generator-Prompts sind

Begriff	Definition
$conversation	Die Unterhaltung zwischen dem Agent und dem Nutzer, mit Ausnahme der letzten Nutzeräußerung und der darauffolgenden Äußerungen des Agents.
$last-user-utterance	Die letzte Nutzeräußerung.

Generator bei der Auftragsausführung verwenden

Sie können Generatoren während der Auftragsausführung verwenden (in Routen, Event-Handlern, Parametern usw.).

Wechseln Sie im Bereich Fulfillment (Auftragsausführung) zum Bereich Generators (Generatoren) und maximieren Sie ihn. Klicken Sie dann auf Generator hinzufügen. Jetzt können Sie einen vordefinierten Generator auswählen oder einen neuen definieren.

Nachdem Sie einen Generator ausgewählt haben, müssen Sie die Platzhalter für die Generator-Eingabeaufforderung der Aufforderung mit Sitzungsparametern verknüpfen. Darüber hinaus müssen Sie den Ausgabeparameter definieren, der nach der Ausführung das Ergebnis des Generators enthält.

Generator bei der Ausführung verwenden

Sie können einer Auftragsausführung mehrere Generatoren hinzufügen, die parallel ausgeführt werden.

Der Ausgabeparameter kann dann später verwendet werden, z. B. in der Agent-Antwort.

Ausgabe des Generators verwenden

Generator testen

Die Funktion generator kann direkt im Simulator getestet werden.

Generator im Simulator testen

Beispiele

In diesem Abschnitt finden Sie Beispiele für Anwendungsfälle für Generatoren. Da Generatoren eine generative Technologie sind, die auf Large Language Models (LLMs) basiert, können Ihre individuellen Ergebnisse aus den folgenden Beispiel-Prompts von der hier dokumentierten Ausgabe abweichen. Alle von Google zurückgegebenen Prompt-Ergebnisse sind bestmöglich.

Inhaltszusammenfassung

In diesem Beispiel wird gezeigt, wie Inhalte zusammengefasst werden.

Prompt:

Your goal is to summarize a given text.

Text:
$text

A concise summary of the text in 1 or 2 sentences is:

Zusammenfassung von Unterhaltungen

In diesem Beispiel wird gezeigt, wie Sie eine Zusammenfassung der Unterhaltung erstellen.

Prompt:

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:

Behobene Frage:

In einer Beispielunterhaltung könnte der aufgelöste Prompt, der an das generative Modell gesendet wird, so aussehen:

You are an expert at summarizing conversations between a User and an Agent.
When providing the summary, always start with "Dear [e-mail] 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:

Markdown-Formatierung

Dieses Beispiel zeigt, wie Text in Markdown formatiert wird.

# 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

Question Answering

Diese Reihe von Beispielen zeigt, wie Sie Generatoren zur Beantwortung von Fragen verwenden.

Erstens können Sie sich einfach auf das interne Wissen des generativen Modells verlassen, um die Frage zu beantworten. Beachten Sie jedoch, dass das Modell einfach eine Antwort basierend auf Informationen liefert, die Teil der Trainingsdaten waren. Es gibt keine Garantie, dass die Antwort wahr oder aktuell ist.

Aufforderung zur Beantwortung von Fragen durch Selbstwissen

Your goal is to politely reply to a human with an answer to their question.

The human asked:
$last-user-utterance

You answer:

Aufforderung zum Beantworten von Fragen mit den bereitgestellten Informationen

Wenn Sie möchten, dass das Modell jedoch basierend auf den von Ihnen bereitgestellten Informationen Antworten gibt, können Sie diese dem Prompt einfach hinzufügen. Das funktioniert, wenn Sie nicht zu viele Informationen angeben möchten (z.B. eine kleine Speisekarte oder Kontaktdaten Ihres Unternehmens).

# 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:

Aufforderung zum Beantworten von Fragen mit dynamisch bereitgestellten Informationen

Häufig sind die Informationen, die das Modell für seine Antwort verwenden soll, zu viele Informationen, um sie einfach in den Prompt einzufügen. In diesem Fall können Sie den Generator mit einem Informationsabrufsystem wie einer Datenbank oder einer Suchmaschine verbinden, um die Informationen basierend auf einer Abfrage dynamisch abzurufen. Sie können die Ausgabe dieses Systems einfach als Parameter speichern und mit einem Platzhalter in der Eingabeaufforderung verbinden.

# Instructions

Your goal is to politely answer questions based on the provided information.
If you can't answer the question given the provided information, you politely
decline to answer.

# Provided information:
$information

Question: $last-user-utterance
Answer:

Codegenerierung

Dieses Beispiel zeigt, wie Sie mit einem Generator Code schreiben. Beachten Sie, dass es hier sinnvoll ist, ein generatives Modell zu verwenden, das speziell dafür trainiert wurde, Code zu generieren.

Eingabeaufforderung

# 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:

Eskalation an einen Kundenservicemitarbeiter

Dieses Beispiel zeigt, wie die Eskalierung an einen menschlichen Kundenservicemitarbeiter abläuft. Die letzten beiden Anweisungen im Prompt verhindern, dass das Modell zu ausführlich wird.

Prompt:

# 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:

Suchanfragen erstellen

In diesem Beispiel wird gezeigt, wie eine vom Nutzer bereitgestellte Google-Suchanfrage optimiert wird.

Prompt:

# 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:

Abruf von Kundendaten

Dieses Beispiel zeigt, wie Sie Informationen abrufen und nach Daten suchen, die im String- oder JSON-Format bereitgestellt werden. Diese Formate werden häufig von Dialogflow-Sitzungsparametern verwendet.

Prompt:

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:

JSON-Objekt aktualisieren

In diesem Beispiel wird gezeigt, wie Sie ein JSON-Eingabeobjekt vom Nutzer (oder Webhook) akzeptieren und das Objekt dann basierend auf der Anfrage des Nutzers bearbeiten.

Prompt:

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:

Codelab

Weitere Informationen findest du im Codelab zu Generatoren.

Fehlerbehebung

Wenn Sie Fehler an dem Feature beheben möchten, können Sie die Eingabe-Eingabeaufforderung des aufgelösten LLM (Large Language Model) im Simulator der Dialogflow-Konsole überprüfen:

1. Klicken Sie auf die Schaltfläche Ursprüngliche Antwort:

   

2. Suchen Sie das Feld Generators LLM Inputs (Generatoren LLM-Eingaben). Lesen Sie diese Felder als Klartext und prüfen Sie, ob die LLM-Eingabe sinnvoll ist. Wenn eine Wortgruppe $ enthält, prüfen Sie die Simulatoreingabe und klären Sie, ob die $ in den Aufforderungen beabsichtigt ist. So ist beispielsweise $ in price is $10 wahrscheinlich beabsichtigt, während visit $city wahrscheinlich nicht und könnte entweder fehlerhafte Nutzung oder einen Fehler andeuten.

3. Wenn Sie das Feld „Generative LLM Inputs“ nicht sehen, wenden Sie sich an den Support.