Geradores

Observação: o recurso Geradores está excluído do SLA do Dialogflow.

Os geradores usam os modelos de linguagem grande (LLMs) mais recentes do Google e as solicitações que você fornece para gerar o comportamento e as respostas do agente no ambiente de execução. Os modelos disponíveis são fornecidos pela Vertex AI.

Um gerador permite fazer uma chamada para um LLM de forma nativa do Dialogflow CX sem precisar criar seu próprio webhook externo. É possível configurar o gerador para fazer o que você normalmente pediria a um LLM.

Os geradores são ótimos para tarefas como resumo, extração de parâmetros, transformações de dados e assim por diante. Confira os exemplos abaixo.

Limitações

Esse recurso está disponível para agentes em qualquer linguagem do Dialogflow, embora os modelos disponíveis possam ter limitações de linguagem mais restritivas. Consulte Vertex AI para saber mais.

Entender os conceitos de gerador

A documentação da Vertex AI contém informações importantes ao criar geradores para o Dialogflow:

• Modelos (modelos de fundação do Google e versões de modelo e ciclo de vida)
• Comandos
• Controles (chamados de "valores de parâmetro" na Vertex AI)

Definir um gerador

Para criar um gerador:

1. Acesse o Console do Dialogflow CX.
2. Selecione seu projeto do Google Cloud.
3. Selecione o agente.
4. Clique na guia Gerenciar.
5. Clique em Geradores.
6. Clique em Criar novo.
7. Insira um nome de exibição descritivo para o gerador.
8. Insira o comando, o modelo e os controles de texto conforme descrito em Conceitos.
9. Clique em Salvar.

Observação: se você inseriu alguma frase banida para uso com o substituto generativo, ela também vai afetar todos os geradores.

O comando de texto é enviado ao modelo generativo durante o fulfillment no ambiente de execução. Deve ser uma pergunta ou solicitação clara para que o modelo gere uma resposta satisfatória.

É possível tornar a solicitação contextual marcando palavras como marcadores de posição adicionando um $ antes da palavra. Posteriormente, será possível associar esses marcadores de solicitação do gerador a parâmetros de sessão no fulfillment, que serão substituídos pelos valores de parâmetro da sessão durante a execução.

Definir um gerador

Há marcadores de solicitação do gerador especiais que não precisam ser associados aos parâmetros da sessão. Esses marcadores de solicitação do gerador integrado são

Termo	Definição
$conversation	a conversa entre o agente e o usuário, excluindo o último enunciado do usuário e os enunciados do agente depois disso.
$last-user-utterance	O último enunciado do usuário.

Usar um gerador no fulfillment

É possível usar geradores durante o fulfillment em Rotas, Manipuladores de evento, Parâmetros e muito mais.

Acesse a seção Geradores do painel Fulfillment e expanda-a. Em seguida, clique em Adicionar gerador. Selecione um gerador predefinido ou defina um novo.

Depois de selecionar um gerador, você precisa associar os marcadores de solicitação do gerador aos parâmetros de sessão. Além disso, você precisa definir o parâmetro de saída que conterá o resultado do gerador após a execução.

Usar o gerador no fulfillment

É possível adicionar vários geradores em um fulfillment, que são executados em paralelo.

O parâmetro de saída pode ser usado posteriormente, por exemplo, na resposta do agente.

Usar a saída do gerador

Testar um gerador

O recurso generator pode ser testado diretamente no simulador.

Teste o gerador no simulador

Examples

Esta seção fornece exemplos de casos de uso para geradores. Como os geradores são uma tecnologia generativa baseada em modelos de linguagem grandes (LLMs), os resultados individuais que usam os exemplos de comandos abaixo podem ser diferentes do resultado documentado aqui. Todos os resultados de comandos retornados pelo Google são de melhor esforço.

Resumo de conteúdo

Este exemplo mostra como resumir conteúdo.

Comando:

Your goal is to summarize a given text.

Text:
$text

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

Resumo de conversas

Este exemplo mostra como fornecer um resumo de uma conversa.

Comando:

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:

Comando resolvido:

Para uma conversa de exemplo, o comando resolvido enviado ao modelo generativo pode ser:

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:

Formatação do Markdown

Este exemplo mostra como formatar o texto em 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

Respostas a perguntas

Nesta série de exemplos, mostramos como usar geradores para responder a perguntas.

Primeiro, você pode simplesmente confiar no conhecimento interno do modelo generativo para responder à pergunta. No entanto, observe que o modelo simplesmente fornecerá uma resposta com base nas informações que fizeram parte dos dados de treinamento. Não há garantia de que a resposta seja verdadeira ou atualizada.

Pedir para responder a perguntas com autoconhecimento

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

The human asked:
$last-user-utterance

You answer:

Solicitar respostas a perguntas com as informações fornecidas

No entanto, se você quiser que o modelo responda com base nas informações fornecidas, basta adicioná-las ao comando. Isso funciona se não houver muitas informações que você queira fornecer (por exemplo, um cardápio pequeno de restaurante ou dados de contato da sua 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:

Solicitar respostas a perguntas com informações dinâmicas fornecidas

Muitas vezes, as informações em que você quer que o modelo baseie a resposta são excessivas para serem coladas no comando. Nesse caso, é possível conectar o gerador a um sistema de recuperação de informações, como um banco de dados ou um mecanismo de pesquisa, para recuperar dinamicamente as informações com base em uma consulta. Basta salvar a saída desse sistema em um parâmetro e conectá-la a um marcador no prompt.

# 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:

Geração de códigos

Este exemplo mostra como usar um gerador para escrever código. Observe que faz sentido usar um modelo generativo que foi treinado especificamente para gerar código.

Comando

# 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:

Encaminhamento para um agente humano

Este exemplo mostra como lidar com o encaminhamento para um agente humano. As duas instruções finais no comando impedem que o modelo seja muito detalhado.

Comando:

# 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:

Geração de consultas de pesquisa

Este exemplo mostra como otimizar uma consulta da Pesquisa Google fornecida pelo usuário.

Comando:

# 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:

Recuperação de informações do cliente

Este exemplo mostra como executar a recuperação de informações e pesquisar dados fornecidos em formato string ou JSON. Esses formatos são usados com frequência pelos parâmetros de sessão do Dialogflow.

Comando:

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:

Atualizar um objeto JSON

Neste exemplo, mostramos como aceitar um objeto JSON de entrada do usuário (ou webhook) e, em seguida, manipular o objeto com base na solicitação do usuário.

Comando:

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

Consulte também o Codelab de geradores.

Solução de problemas

Se você quiser depurar o recurso, inspecione o prompt de entrada do modelo de linguagem grande (LLM) resolvido no simulador do Console do Dialogflow:

1. Clique no botão Resposta original:

   

2. Localize o campo "Geradores LLM Inputs". Leia esses campos como texto simples e verifique se a entrada do LLM faz sentido. Se alguma frase contiver $, examine a entrada do simulador e esclareça se o $ nas solicitações é intencional. Por exemplo, $ em price is $10 provavelmente seria intencional, enquanto visit $city provavelmente não seria e poderia implicar uso incorreto ou um bug.

3. Se você não encontrar o campo "Entradas de LLM generativa", entre em contato com o suporte.