Com as ferramentas, é possível conectar playbooks a sistemas externos. Esses sistemas podem aumentar o conhecimento dos playbooks e capacitá-los executar tarefas complexas com eficiência.
Você pode usar ferramentas integradas ou criar ferramentas personalizadas para atender às suas necessidades.
Limitações
Considere as seguintes limitações:
- É necessário criar um repositório de dados (ou conectar um repositório de dados existente) ao criar uma ferramenta de repositório de dados para um agente.
- Não há suporte para apps com armazenamentos de dados em blocos e não em blocos.
Ferramentas integradas
As ferramentas integradas são hospedadas pelo Google. Ative essas ferramentas nos agentes sem a necessidade de configuração manual.
As ferramentas integradas compatíveis são:
Code Interpreter
: uma ferramenta própria do Google que combina os recursos de geração e execução de código e permite que o usuário execute várias tarefas, como análise de dados, visualização de dados, processamento de texto, solução de equações ou problemas de otimização.
Seu agente é otimizado para determinar como e quando essas ferramentas devem ser invocadas, mas você pode fornecer outros exemplos para seus casos de uso.
Os exemplos precisam ter um esquema como este:
{
"toolUse": {
"tool": "projects/PROJECT_ID/locations/LOCATION_ID/agents/AGENT_ID/tools/df-code-interpreter-tool",
"action": "generate_and_execute",
"inputParameters": [
{
"name": "generate_and_execute input",
"value": "4 + 4"
}
],
"outputParameters": [
{
"name": "generate_and_execute output",
"value": {
"output_files": [
{
"name": "",
"contents": ""
}
],
"execution_result": "8",
"execution_error": "",
"generated_code": "GENERATED_CODE"
}
}
]
}
}
Ferramentas do OpenAPI
Um agente pode se conectar a uma API externa usando uma ferramenta OpenAPI fornecendo o esquema OpenAPI. Por padrão, o agente chamará a API em seu nome. Como alternativa, é possível executar ferramentas da OpenAPI no lado do cliente.
Exemplo de esquema:
openapi: 3.0.0
info:
title: Simple Pets API
version: 1.0.0
servers:
- url: 'https://api.pet-service-example.com/v1'
paths:
/pets/{petId}:
get:
summary: Return a pet by ID.
operationId: getPet
parameters:
- in: path
name: petId
required: true
description: Pet id
schema:
type: integer
responses:
200:
description: OK
/pets:
get:
summary: List all pets
operationId: listPets
parameters:
- name: petName
in: query
required: false
description: Pet name
schema:
type: string
- name: label
in: query
description: Pet label
style: form
explode: true
required: false
schema:
type: array
items:
type: string
- name: X-OWNER
in: header
description: Optional pet owner provided in the HTTP header
required: false
schema:
type: string
- name: X-SESSION
in: header
description: Dialogflow session id
required: false
schema:
$ref: "@dialogflow/sessionId"
responses:
'200':
description: An array of pets
content:
application/json:
schema:
type: array
items:
$ref: '#/components/schemas/Pet'
post:
summary: Create a new pet
operationId: createPet
requestBody:
description: Pet to add to the store
required: true
content:
application/json:
schema:
$ref: '#/components/schemas/Pet'
responses:
'201':
description: Pet created
content:
application/json:
schema:
$ref: '#/components/schemas/Pet'
components:
schemas:
Pet:
type: object
required:
- id
- name
properties:
id:
type: integer
format: int64
name:
type: string
owner:
type: string
label:
type: array
items:
type: string
Também é possível usar a referência de esquema interno @dialogflow/sessionId
como tipo de esquema de parâmetro.
Com esse tipo de esquema de parâmetro,
o ID da sessão do Dialogflow da conversa atual
será fornecido como um valor de parâmetro.
Exemplo:
- name: X-SESSION
in: header
description: Dialogflow session id
required: false
schema:
$ref: "@dialogflow/sessionId"
Limitações da ferramenta OpenAPI
Considere as seguintes limitações:
- Os tipos de parâmetros aceitos são
path
,query
eheader
. O tipo de parâmetrocookie
ainda não é aceito. - Os parâmetros definidos pelo esquema OpenAPI são compatíveis com os seguintes tipos de dados:
string
,number
,integer
,boolean
earray
. O tipoobject
ainda não é compatível. - No momento, não é possível especificar parâmetros de consulta no editor de exemplo do console.
- O corpo da solicitação e da resposta precisa estar vazio ou em JSON.
Autenticação da API da ferramenta OpenAPI
As seguintes opções de autenticação têm suporte ao chamar uma API externa:
- Autenticação do agente de serviço do Dialogflow
- O Dialogflow pode gerar um token de ID. ou token de acesso usando Agente de serviço do Dialogflow. O token é adicionado no cabeçalho HTTP de autorização quando o Dialogflow chama uma API externa.
- Um token de ID pode ser usado para acessar funções e serviços do Cloud Run depois de conceder os papéis roles/cloudfunctions.invoker e roles/run.invoker a service-agent-project-number@gcp-sa-dialogflow.iam.gserviceaccount.com. Se as funções e os serviços do Cloud Run estiverem no mesmo projeto de recurso, não será necessário ter outra permissão do IAM para fazer a chamada.
- Um token de acesso pode ser usado para acessar outras APIs do Google Cloud depois que você conceder as funções necessárias a service-agent-project-number@gcp-sa-dialogflow.iam.gserviceaccount.com.
- Chave de API
- É possível configurar a autenticação da chave de API fornecendo o nome dela, localização da solicitação (cabeçalho ou string de consulta) e a chave de API para que o Dialogflow transmita essa chave na solicitação.
OAuth
O fluxo de credenciais do cliente OAuth tem suporte para autenticação de servidor para servidor:
- Esse fluxo pode ser usado se o console do Agente Builder for o proprietário do recurso e não for necessária a autorização do usuário final.
- O ID do cliente, a chave secreta do cliente e o endpoint do token do provedor OAuth precisam ser configurados no Dialogflow.
- O Dialogflow troca um token de acesso do provedor OAuth e o transmite no cabeçalho de autenticação da solicitação.
Para outros fluxos OAuth que exigem autorização do usuário final, como o fluxo de código de autorização e o fluxo PKCE:
- Você precisará implementar sua própria interface de usuário de login e obter o token de acesso no lado do cliente.
Em seguida, você pode:
a. Use a opção de autenticação de token do portador para transmitir o token à ferramenta OpenAPI. O Dialogflow vai incluir esse token no cabeçalho de autorização ao invocar a ferramenta.
b. Use a ferramenta de função para invocar a ferramenta no lado do cliente e transmita o resultado da chamada ao Dialogflow.
Token do portador
- Você pode configurar a autenticação do portador para transmitir dinamicamente o token do portador do cliente. Esse token está incluído no cabeçalho Auth da solicitação.
- Ao configurar a autenticação de ferramentas, é possível designar um parâmetro de sessão
para atuar como o token de portador. Por exemplo, use
$session.params.<parameter-name-for-token>
para especificar o token. - No momento da execução, atribua o token de portador ao parâmetro de sessão:
DetectIntentRequest { ... query_params { parameters { <parameter-name-for-token>: <the-auth-token> } } ... }
Autenticação TLS mútua
- Consulte a documentação Autenticação TLS mútua na documentação do Google Cloud.
- Há suporte para certificados do cliente personalizados. É possível configurar certificados de cliente no nível do agente na guia "Segurança", nas configurações do agente. O certificado (formato PEM) e a chave privada (formato PEM) são obrigatórios campos. Depois de definido, o certificado do cliente será usado durante o TLS mútuo para todas as ferramentas e webhooks.
Certificado de CA personalizado
- Consulte a documentação de Certificados de AC personalizados.
Acesso à rede privada da ferramenta OpenAPI
A ferramenta OpenAPI se integra Acesso a redes privadas do Diretório de serviços, para se conectar a destinos de API dentro da rede VPC. Isso mantém o tráfego na rede do Google Cloud e aplica o IAM e o VPC Service Controls.
Para configurar uma ferramenta OpenAPI que segmenta uma rede privada:
Siga a configuração de rede particular do Diretório de serviços para configurar sua rede VPC e o endpoint do Diretório de serviços.
A conta de serviço do agente de serviço do Dialogflow com o endereço a seguir precisa existir para o projeto de agente:
Conceda à conta de serviço do Agente de Serviço do Dialogflow os seguintes papéis do IAM:service-agent-project-number@gcp-sa-dialogflow.iam.gserviceaccount.com
servicedirectory.viewer
do projeto do diretório de serviçosservicedirectory.pscAuthorizedService
do projeto de rede
Fornecer o serviço do diretório de serviços com o esquema OpenAPI e informações de autenticação opcionais ao criar a ferramenta.
Acesso a parâmetros de sessão da ferramenta OpenAPI
As entradas da ferramenta de API aberta são derivadas da conversa dos usuários com o LLM usando o esquema como guia. Em algumas situações, as entradas podem precisar ser derivadas de parâmetros de sessão coletados durante um fluxo ou fornecidas como entrada de parâmetro de consulta com a entrada do usuário.
O parâmetro de sessão que precisa ser transmitido como uma entrada pode ser especificado como
parameters:
- in: query
name: petId
required: true
description: Pet id
schema:
type: integer
x-agent-input-parameter: petId # Reads from the $session.params.petId
- in: header
name: X-other
schema:
type: string
x-agent-input-parameter: $request.payload.header # Reads from the header specified in the request payload input
requestBody:
required: false
content:
application/json:
schema:
type: object
properties:
name:
type: string
x-agent-input-parameter: petName # Reads from the $session.params.petName
description: Name of the person to greet (optional).
breed:
type: string
description: Bread of the pet.
Se nenhum parâmetro de sessão estiver disponível, a entrada gerada pelo LLM será transmitida para a ferramenta.
Ferramentas de repositório de dados
Um agente pode usar ferramentas de repositório de dados para obter respostas a perguntas de usuários finais de suas armazenamentos de dados. Você pode configurar um repositório de dados de cada tipo por ferramenta, e a ferramenta consultará cada um desses repositórios de dados para obter respostas. Por padrão, o agente vai chamar a ferramenta de armazenamento de dados em seu nome. Como alternativa, é possível executar ferramentas de repositório de dados no lado do cliente.
O tipo de repositório de dados pode ser um dos seguintes:
PUBLIC_WEB
: um repositório de dados que contém conteúdo público da Web.UNSTRUCTURED
: um repositório de dados que contém dados particulares não estruturados.STRUCTURED
: um repositório de dados que contém dados estruturados (por exemplo, perguntas frequentes).
O exemplo a seguir mostra como fazer referência a um repositório de dados:
"dataStoreConnections": [
{
"dataStoreType": "PUBLIC_WEB",
"dataStore": "projects/PROJECT_NUMBER/locations/LOCATION_ID/collections/default_collection/dataStores/DATASTORE_ID"
},
{
"dataStoreType": "UNSTRUCTURED",
"dataStore": "projects/PROJECT_NUMBER/locations/LOCATION_ID/collections/default_collection/dataStores/DATASTORE_ID"
},
{
"dataStoreType": "STRUCTURED",
"dataStore": "projects/PROJECT_NUMBER/locations/LOCATION_ID/collections/default_collection/dataStores/DATASTORE_ID"
}
]
As respostas da ferramenta de repositório de dados também podem conter snippets sobre a origem do conteúdo usado para gerar a resposta. O agente pode dar mais instruções sobre como proceder com a resposta dos repositórios de dados ou em como responder quando não há resposta.
Para substituir uma resposta, adicione uma Entrada de perguntas frequentes para uma pergunta específica.
Os exemplos podem ser usados para melhorar ainda mais o comportamento do agente. O exemplo precisa ter os seguintes esquemas:
{
"toolUse": {
"tool": "projects/PROJECT_ID/locations/LOCATION_ID/agents/AGENT_ID/tools/TOOL_ID",
"action": "TOOL_DISPLAY_NAME",
"inputParameters": [
{
"name": "TOOL_DISPLAY_NAME input",
"value": {
"query": "QUERY"
}
}
],
"outputParameters": [
{
"name": "TOOL_DISPLAY_NAME output",
"value": {
"answer": "ANSWER",
"snippets": [
{
"title": "TITLE",
"text": "TEXT_FROM_DATASTORE",
"uri": "URI_OF_DATASTORE"
}
]
}
}
]
}
}
Criar um repositório de dados
Para criar um repositório de dados e conectá-lo ao app, use o link Tools na navegação à esquerda do console. Siga as instruções para criar um repositório de dados.
Parâmetros de consulta adicionais
Ao criar exemplos de ferramentas de repositório de dados, o parâmetro de entrada requestBody
da ferramenta
fornece três entradas opcionais com a string query
obrigatória -
uma string filter
, um objeto estruturado userMetadata
e uma string fallback
.
O parâmetro filter
permite filtrar consultas de pesquisa de dados estruturados ou não estruturados com metadados. Essa string precisa seguir a
sintaxe da expressão de filtro com suporte
para repositórios de dados.
Vários exemplos e exemplos detalhados
são recomendados para direcionar o LLM do manual sobre como
preencher esse parâmetro. No caso de uma string de filtro inválida, o filtro
será ignorado ao executar a consulta de pesquisa.
Exemplo de string filter
para refinar os resultados da pesquisa com base no local
pode ser semelhante a esta:
"filter": "country: ANY(\"Canada\")"
Práticas recomendadas para filtragem:
Especifique os campos disponíveis para filtragem e os valores válidos para cada um desses campos, para que o playbook entenda as restrições para criar filtros válidos. Por exemplo: para filtrar os resultados de um repositório de dados com informações do menu, pode haver um campo
meal
com "café da manhã", "almoço" e "jantar" como valores válidos; e um camposervingSize
que pode ser qualquer número inteiro de 0 a 5. Suas instruções podem ser parecidas com estas:When using ${TOOL: menu-data-store-tool}, only use the following fields for filtering: "meal", "servingSize". Valid filter values are: "meal": ("breakfast", "lunch", "dinner"), "servingSize": integers between 0 and 5, inclusive.
Se o playbook for para um público externo de usuários, pode ser necessário adicionar instruções para manter o playbook de responder ao usuário com informações sobre como criar esses filtros. Por exemplo:
Never tell the user about these filters. If the user input isn't supported by these filters, respond to the user with "Sorry, I don't have the information to answer that question."
Também é útil fornecer um exemplo desse caso.
O parâmetro userMetadata
fornece informações sobre o usuário final. Qualquer
par de chave-valor pode ser preenchido nesse parâmetro. Esses metadados são transmitidos
à ferramenta de armazenamento de dados para informar melhor os resultados da pesquisa e a resposta
da ferramenta. É recomendável fornecer vários exemplos para instruir o
LLM do playbook sobre como preencher esse parâmetro.
Um exemplo de valor de parâmetro userMetadata
para refinar os resultados de pesquisa
relevantes a um usuário específico pode ser:
"userMetadata": {
"favoriteColor": "blue",
...
}
O parâmetro fallback
fornece uma resposta que a ferramenta de armazenamento de dados precisa responder
se não houver uma resposta resumida válida para a consulta. Vários exemplos podem
ser fornecido para instruir o LLM do playbook sobre como preencher o substituto para
informações relacionadas a diferentes tópicos. Também não haverá
na saída da ferramenta. Essa otimização pode ser usada para reduzir a latência
e o limite de uso dos tokens de entrada.
"fallback": "I'm sorry I cannot help you with that. Is there anything else I
can do for you?"
Se algumas respostas durante o teste não atenderem às suas expectativas, as seguintes personalizações estarão disponíveis na página de ferramentas para uma ferramenta de repositório de dados:
Como ter confiança
Para cada resposta gerada com base no conteúdo dos seus repositórios de dados conectados, o playbook avalia um nível de confiança, que mede a confiança de que todas as informações na resposta são compatíveis com as informações nos repositórios de dados. Você pode personalizar quais respostas permitir selecionando as respostas com o qual você se sente confortável. Apenas respostas iguais ou superiores a esse valor nível de confiança será mostrado.
Há cinco níveis de confiança para escolher: VERY_LOW
, LOW
, MEDIUM
,
HIGH
e VERY_HIGH
.
Configuração de resumo
É possível selecionar o modelo generativo usado por um gerenciador de repositório de dados para a solicitação generativa de resumo. Se nenhuma opção for selecionada, uma opção de modelo padrão será usada. A tabela a seguir contém as opções disponíveis:
Identificador de modelo | Suporte a idiomas |
---|---|
text-bison@002 | Disponível em todos os idiomas compatíveis. |
gemini-1.0-pro-001 | Disponível em todos os idiomas com suporte. |
Você também pode fornecer seu próprio comando para a chamada do LLM de resumo.
O comando é um modelo de texto que pode conter marcadores de posição predefinidos. Os marcadores serão substituídos pelos valores apropriados no momento da execução, e o texto final será enviado ao LLM.
Os marcadores de posição são os seguintes:
$original-query
: o texto da consulta do usuário.$rewritten-query
: o playbook usa um módulo de reescrita para reescrever a consulta original do usuário em um formato mais preciso.$sources
: o playbook usa a Pesquisa corporativa para procurar fontes com base na consulta do usuário. As fontes encontradas são renderizadas em um formato específico:[1] title of first source content of first source [2] title of second source content of first source
$end-user-metadata
: as informações sobre o usuário que envia a consulta são renderizadas no seguinte formato:The following additional information is available about the human: { "key1": "value1", "key2": "value2", ... }
$conversation
: o histórico de conversas é renderizado no seguinte formato:Human: user's first query AI: answer to user's first query Human: user's second query AI: answer to user's second query
Um comando personalizado instrui o LLM a retornar "NOT_ENOUGH_INFORMATION" quando não consegue fornecer uma resposta. O playbook vai transformar essa constante em uma mensagem amigável para o usuário.
Configurações de payload
As configurações de payload fornecem uma maneira de adicionar snippets de repositório de dados como conteúdo avançado no o payload de resposta, que é renderizado no messenger.
Frases proibidas (configuração no nível do playbook)
Você tem a opção de definir frases específicas que não podem ser usadas. Eles são configurados no nível do playbook e utilizados pelos LLMs do playbook e pelas ferramentas de armazenamento de dados. Se a resposta gerada ou partes do LLM comando, como as entradas do usuário, contém uma das frases banidas literalmente, essa resposta não será mostrada.
Ferramentas de função
Se você tiver uma funcionalidade acessível pelo código do cliente, mas não pelas ferramentas da OpenAPI, use as ferramentas de função. As ferramentas de função são sempre executadas no lado do cliente, não pelo agente.
O processo é o seguinte:
- Seu código de cliente envia uma solicitação de detecção de intent.
- O agente detecta que uma ferramenta de função é necessária, e a resposta de detecção de intent contém o nome da ferramenta e os argumentos de entrada. Esta sessão fica pausada até que outra solicitação de detecção de intent seja recebida com o resultado da ferramenta.
- Seu código de cliente chama a ferramenta.
- O código do cliente envia outra solicitação de detecção de intent que fornece o resultado da ferramenta como argumentos de saída.
O exemplo a seguir mostra o esquema de entrada e saída de uma ferramenta de função:
{
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and state, for example, San Francisco, CA"
}
},
"required": [
"location"
]
}
{
"type": "object",
"properties": {
"temperature": {
"type": "number",
"description": "The temperature"
}
}
}
O exemplo a seguir mostra a solicitação e a resposta iniciais da intent de detecção usando REST:
HTTP method and URL:
POST https://REGION_ID-dialogflow.googleapis.com/v3/projects/PROJECT_ID/locations/LOCATION_ID/agents/AGENT_ID/sessions/SESSION_ID:detectIntent
{
"queryInput": {
"text": {
"text": "what is the weather in Mountain View"
},
"languageCode": "en"
}
}
{
"queryResult": {
"text": "what is the weather in Mountain View",
"languageCode": "en",
"responseMessages": [
{
"source": "VIRTUAL_AGENT",
"toolCall": {
"tool": "<tool-resource-name>",
"action": "get-weather-tool",
"inputParameters": {
"location": "Mountain View"
}
}
}
]
}
}
O exemplo a seguir mostra a segunda solicitação de detecção de intent, que fornece o resultado da ferramenta:
{
"queryInput": {
"toolCallResult": {
"tool": "<tool-resource-name>",
"action": "get-weather-tool",
"outputParameters": {
"temperature": 28.0
}
},
"languageCode": "en"
}
}
Execução do lado do cliente
Assim como as ferramentas de função, as ferramentas OpenAPI e de armazenamento de dados podem ser executadas no lado do cliente aplicando uma substituição de API ao interagir com a sessão.
Exemplo:
DetectIntentRequest {
...
query_params {
playbook_state_override {
playbook_execution_mode: ALWAYS_CLIENT_EXECUTION
}
}
...
}
O processo é o seguinte:
- Seu código de cliente envia uma solicitação de detecção de intent que especifica a execução do cliente.
- O agente detecta que uma ferramenta é necessária, e a resposta de detecção de intent contém o nome da ferramenta com os argumentos de entrada. Essa sessão é pausada até que outra solicitação de detecção de intent seja recebida com o resultado da ferramenta.
- Seu código de cliente chama a ferramenta.
- O código do cliente envia outra solicitação de detecção de intent que fornece o resultado da ferramenta como argumentos de saída.