Los generadores usan los modelos generativos de lenguaje grandes (LLM) más recientes de Google y las instrucciones que proporcionas para generar el comportamiento y las respuestas de los agentes en el entorno de ejecución. Los modelos disponibles son proporcionados por Vertex AI.
Un Generador te permite realizar una llamada a un LLM de forma nativa desde Dialogflow CX sin necesidad de crear tu propio webhook externo. Puedes configurar el generador para que haga lo mismo que normalmente le pedirías a un LLM.
Los generadores son excelentes en tareas como resúmenes, extracción de parámetros, transformaciones de datos y más. Consulta los ejemplos que aparecen a continuación.
Limitaciones
Esta función está disponible para los agentes en cualquier lenguaje de Dialogflow, aunque los modelos disponibles pueden tener limitaciones de lenguaje más restrictivas. Consulta Vertex AI para obtener más información.
Comprende los conceptos del generador
La documentación de Vertex AI contiene información que es importante comprender cuando se crean generadores para Dialogflow:
- Modelos (modelos de base de Google y versiones y ciclo de vida de modelos)
- Instrucciones
- Controles (llamados “valores de parámetros” en Vertex AI)
Cómo definir un generador
Para crear un generador, sigue estos pasos:
- Ir a la consola de Dialogflow CX
- Selecciona tu proyecto de Google Cloud.
- Selecciona el agente.
- Haz clic en la pestaña Administrar.
- Haz clic en Generators.
- Haz clic en Crear nueva.
- Ingresa un nombre visible descriptivo para el generador.
- Ingresa la instrucción de texto, el modelo y los controles como se describe en los conceptos.
- Haz clic en Guardar.
La instrucción de texto se envía al modelo generativo durante la entrega en el tiempo de ejecución. Debe ser una pregunta o solicitud clara para que el modelo genere una respuesta satisfactoria.
Puedes hacer que la instrucción sea contextual si marcas palabras como marcadores de posición agregando un $ antes de la palabra. Luego, puedes asociar estos marcadores de posición del mensaje del generador con los parámetros de sesión en la entrega y se reemplazan por los valores de los parámetros de sesión durante la ejecución.
Hay marcadores de posición del mensaje del generador especiales que no necesitan asociarse con parámetros de sesión. Estos marcadores de posición del mensaje del generador integrado son los siguientes:
| Período | Definición |
|---|---|
$conversation |
La conversación entre el agente y el usuario, sin incluir la última declaración del usuario ni las declaraciones del agente posteriores. |
$last-user-utterance |
La última declaración del usuario. |
Usa un generador en la entrega
Puedes usar generadores durante la entrega (en Rutas, Controladores de eventos, Parámetros y mucho más).
Ve a la sección Generators del panel Fulfillment y expándela. Luego, haz clic en Agregar generador. Ahora puedes seleccionar un generador predefinido o definir uno nuevo.
Después de seleccionar un generador, debes asociar los marcadores de posición del mensaje del generador del mensaje con los parámetros de la sesión. Además, debes definir el parámetro de salida que contendrá el resultado del generador después de la ejecución.
Ten en cuenta que puedes agregar varios generadores en una entrega, que se ejecutan en paralelo.
El parámetro de salida se puede usar más adelante, por ejemplo, en la respuesta del agente.
Prueba un generador
La función generator se puede probar directamente en el simulador.
Ejemplos
En esta sección, se proporcionan casos de uso de ejemplo para los generadores. Dado que los generadores son una tecnología generativa basada en modelos grandes de lenguaje (LLM), tus resultados individuales del uso de las siguientes instrucciones de ejemplo podrían ser diferentes del resultado que se documenta aquí. Todos los resultados de instrucciones que muestra Google se basan en el mejor esfuerzo.
Resumen de contenido
En este ejemplo, se muestra cómo resumir contenido.
Instrucción:
Your goal is to summarize a given text.
Text:
$text
A concise summary of the text in 1 or 2 sentences is:
Resumen de conversaciones
En este ejemplo, se muestra cómo proporcionar un resumen de la conversación.
Instrucción:
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:
Mensaje resuelto:
Para una conversación de ejemplo, la instrucción resuelta que se envía al modelo generativo podría ser la siguiente:
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:
Formato Markdown
En este ejemplo, se muestra cómo darle formato al texto 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
Búsqueda de respuestas
En esta serie de ejemplos, se muestra cómo usar generadores para responder preguntas.
En primer lugar, puedes simplemente confiar en el conocimiento interno del modelo generativo para responder la pregunta. Sin embargo, ten en cuenta que el modelo solo proporcionará una respuesta basada en la información que formaba parte de sus datos de entrenamiento. No hay garantía de que la respuesta sea verdadera o esté actualizada.
Solicita respuestas de preguntas con autoconocimiento
Your goal is to politely reply to a human with an answer to their question.
The human asked:
$last-user-utterance
You answer:
Cómo solicitar la respuesta de una pregunta con la información proporcionada
Sin embargo, si quieres que el modelo responda según la información que proporcionas, solo tienes que agregarlo a la instrucción. Esto funciona si no quieres proporcionar demasiada información (p.ej., un pequeño menú de restaurante o información de contacto de tu empresa).
# Instructions
Your goal is to politely answer questions about the restaurant menu.
If you cannot answer the question because it's not related to the restaurant
menu or because relevant information is missing from the menu, you politely
decline to answer.
# Restaurant menu:
## Starters
Salat 5$
## 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:
Instrucciones para responder preguntas con información dinámica
A menudo, la información en la que deseas que el modelo base su respuesta es demasiada para pegarla en la instrucción. En este caso, puedes conectar el generador a un sistema de recuperación de información, como una base de datos o un motor de búsqueda, para recuperar la información de forma dinámica en función de una consulta. Solo tienes que guardar el resultado de ese sistema en un parámetro y conectarlo a un marcador de posición en el mensaje.
# 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:
Generación de código
En este ejemplo, se muestra cómo usar un generador para escribir código. Ten en cuenta que, en este caso, tiene sentido usar un modelo generativo entrenado de forma específica para generar código.
Instrucción
# 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:
Derivación a un agente humano
En este ejemplo, se muestra cómo manejar la derivación a un agente humano. Las dos últimas instrucciones de la instrucción evitan que el modelo sea demasiado detallado.
Instrucción:
# 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:
Generación de búsquedas
En este ejemplo, se muestra cómo optimizar una búsqueda de la Búsqueda de Google proporcionada por el usuario.
Instrucción:
# 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:
Recuperación de información de clientes
En este ejemplo, se muestra cómo realizar la recuperación de información y buscar datos proporcionados en formato de string o JSON. Por lo general, los parámetros de sesión de Dialogflow usan estos formatos.
Instrucción:
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:
Actualiza un objeto JSON
En este ejemplo, se muestra cómo aceptar un objeto JSON de entrada del usuario (o webhook) y, luego, manipular el objeto según la solicitud del usuario.
Instrucción:
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
Consulta también el Codelab de Generators.
Soluciona problemas
Si deseas depurar la función, puedes inspeccionar el mensaje de entrada del modelo de lenguaje grande (LLM) resuelto en el simulador de la consola de Dialogflow:
Haz clic en el botón Respuesta original:
Busca el campo "Generators LLM Inputs". Lee estos campos como texto sin formato y verifica si la entrada de LLM tiene sentido. Si una frase contiene
$, examina la entrada del simulador y aclara si las$de las instrucciones son intencionales (por ejemplo,$enprice is $10probablemente sería intencional, mientras quevisit $cityprobablemente no lo haría y podría implicar un uso incorrecto o un error).Si no ves el campo "Generative LLM Inputs", comunícate con el equipo de asistencia.