Eigene GenAI-Assistenz erstellen

Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.

Mit „Eigene GenAI-Assistenz erstellen“ können Sie einen Textgenerator erstellen und in Agent Assist einbinden. Der Textgenerator verwendet fortschrittliche Large Language Models (LLMs) wie Text Bison und Gemini, um Vorschläge zu generieren. Sie können diese Vorschläge verwenden, um den Teilnehmern auf beiden Seiten einer Kundenserviceunterhaltung zu helfen, z. B. den Kundenservicemitarbeitern und den Nutzern. Der Generator kann integrierte LLM-Aufrufe von Agent Assist verwenden, die für die meisten LLM-Aufgaben konfiguriert werden können. Weitere Informationen zu Generatoren in Agent Assist finden Sie in der Vertex AI-Dokumentation.

Generatoreingaben

Für den Textgenerator sind die folgenden Eingaben erforderlich:

• Anweisung: Ein Text, der die Aufgabe beschreibt, die der Textgenerator ausführen soll. In Vertex AI wird die Anweisung als Prompt bezeichnet.

• Modelloptionen: Die Modellauswahl und die Einstellungen, die für eine optimale Modellleistung erforderlich sind, z. B. Temperatur, Ausgabetokenlimit, TopK und TopP. Die Generatorausgänge werden durch diese Einstellungen begrenzt. Sie können ein Modell auswählen und die Modelloptionen festlegen, wenn Sie einen Generator erstellen. Klicken Sie dazu auf Modelloptionen. Sie können auch die Standardeinstellungen verwenden. In Vertex AI werden die Modelloptionen als Parameterwerte bezeichnet.

• Trigger-Ereignis: Eines der folgenden Ereignisse, das angibt, wann der Generator gestartet werden soll:

  • END_OF_UTTERANCE: Lösen Sie den Generator nach jeder Eingabe aus.
  • MANUAL_CALL: Der Generator wird nur ausgelöst, wenn Sie explizit API-Aufrufe zum Aufrufen ausführen.
  • CUSTOMER_MESSAGE: Der Generator wird nur nach jeder Kundennachricht ausgelöst.
  • AGENT_MESSAGE: Der Generator wird nur nach jeder Kundenservicemitarbeiternachricht ausgelöst.

Generatorausgänge

Nachdem Sie die Eingaben für den Textgenerator angegeben haben, erhalten Sie vom Tool „Build your own GenAI assist“ Vorschläge wie Artikellinks, passende Antworten oder Backend-Informationen zu Werbeangeboten. Diese Vorschläge werden im Textformat bereitgestellt und sind im Kontext der Kundenserviceunterhaltung zum Zeitpunkt ihrer Generierung relevant.

Anwendungsfälle

In diesem Abschnitt werden drei Anwendungsfälle als Beispiele dafür vorgestellt, wie Sie Generatoren für „Build your own GenAI“ implementieren können. Ihr Modell generiert möglicherweise andere Ausgabeantworten als die folgenden Beispiele.

Professionelle Umformulierung

Sie können den Generator anweisen, Äußerungen von Kundenservicemitarbeitern auf professionelle, höfliche und empathische Weise umzuformulieren, bevor sie auf Kunden reagieren. Gehen Sie dazu so vor:

• Name des Generators: Professionelle Überarbeitung
• Trigger-Ereignis: Nachricht an den Kundenservicemitarbeiter

• Anleitung:

  # TASK DESCRIPTION:
  Output the agent's response under ## LAST UTTERANCE rewritten in a professional, polite and empathetic way in EXAMPLE 4.
  - DO NOT miss any information mentioned by the original text.
  - Only output rewritten response.
  - You're provided with EXAMPLE 1-3. Follow the format.
  
  # EXAMPLE 1
  ## CONVERSATION:
  AGENT: Yo what's up it's Akshay. This is Amazon customer service. What do you want?
  
  ## LAST UTTERANCE:
  Yo what's up it's Akshay. This is Amazon customer service. What do you want?
  
  ## OUTPUT:
  Hi I'm Akshay. Thank you for choosing Amazon customer service. How can I assist you today?
  
  # EXAMPLE 2
  ## CONVERSATION:
  CUSTOMER: Hi, I'm having some trouble with my Apple Music subscription.
  AGENT: Hey, I'm [name]. I can help, I guess. What's your name and account number?
  CUSTOMER: Sure, my name is [name] and my account number is [number].
  AGENT: Alright. Checked that out. You are on Apple Music Individual plan, right?
  
  ## LAST UTTERANCE:
  Alright. Checked that out. You are on Apple Music Individual plan, right?
  
  ## OUTPUT:
  Thank you. I see that you're currently subscribed to the Apple Music Individual plan. Is that correct?
  
  # EXAMPLE 3
  ## CONVERSATION:
  AGENT: What is your order number?
  CUSTOMER: 12345
  AGENT: Hang on a sec. Looking.
  CUSTOMER: I'll wait.
  AGENT: Alright, it appears your order is not registered. Did you even submit the order?
  CUSTOMER: Let me double check. Shoot, someone canceled it. Must be the kids.
  AGENT: Yeah, watch your kids will you?
  CUSTOMER: I'm so sorry.
  AGENT: All good. Have a good one.
  
  ## LAST UTTERANCE:
  All good. Have a good one.
  
  ## OUTPUT:
  No problem. I'm glad I can help. Please have a good day!
  
  # EXAMPLE 4
  ## CONVERSATION:
  ${parameter:transcript}
  
  ## LAST UTTERANCE:
  ${parameter:transcript_last_utterance}
  
  ## OUTPUT:
  

Kundenbindung

Sie können den Generator auch anweisen, Antworten von Kundenservicemitarbeitern für die Kundenbindung vorzuschlagen, z. B. Produktrabatte, Upselling oder Cross-Selling von Produkten und die Lösung von Problemen, wie im folgenden Beispiel. Der Generator greift über die IngestContextReferences API auf Informationen zu Rabatten und Angeboten zu, die Sie als Kontextreferenzen angeben.

• Name des Generators: Kundenabwanderung und -bindung
• Trigger-Ereignis: Kundennachricht
• Kontextreferenzen: Angebote
  • Eins: 11% Rabatt
  • Nest: 5% Rabatt
  • Rabatt für Neukunden: 10%

• Anleitung:

  # TASK DESCRIPTION:
  You are an Agent who is helping a customer resolve an issue with complete understanding of the same.
  - Make sure you wait to understand the concern or query before making any suggestions.
  - If the customer informs about the issue, you need to ask the exact reason. If the reason is valid, you can give appropriate credit from the OFFERS section.
  - If the customer is about to cancel an order or subscription, make sure you offer something from the OFFERS section and try to retain the customer.
  - If a customer is inquiring about a new product, offer some combo for upselling another product.
  Below are two examples for detecting churn and generating suggestions for mitigation.
  The output should be a single message suggested to the agent according to the context of the conversation.
  
  # EXAMPLE 1
  Customer: Hello
  Agent: Welcome to Google. How may I help you?
  Customer: I want to cancel order.
  Agent: Sure Let me have an order ID.
  Customer: Its 123321
  Agent: I could see that you placed an order for Google Nest. May I know the reason for cancellation?
  Customer: It's available at cheaper rate now. 
  Agent: Ohh.! I see. Let me check the current price and adjust the order price. Is it okay ?
  Customer: Sure..! I can purchase the product  as long as I can get it at the discounted price. I'd definitely go with it
  Agent: Google Nest costs $200 at present. I can see that you paid $230.
  Customer: Yeah. Can you request to refund $30. I can buy it at $200.
  Agent : Sure. I have updated. You will get $30 refund once your order is delivered.
  Customer: Thanks.
  Agent : Welcome
  
  # EXAMPLE 2
  Customer: Hello
  Agent: Welcome to Google. How may I help you?
  Customer: I am having Google One Subscription. I think I may need some more space in future. 
  Agent: Okay. May I have your customer Id:
  Customer: Its 123321
  Agent: I could see that you have 100GB Plan at present. How much are you expecting to need in future?
  Customer: I think I may need 100GB or more.
  Agent: I could check that you are a loyal customer who had subscriptions since last 6 months. I can provide you 10% discount. 
  Customer: Sure..! That would be great. 
  Agent: 200GB Subscription costs $180 per annum which I can offer you at $162.
  Customer: That's cool. Thank you.
  Agent: Is there anything else I can help you with?
  Customer: No thanks.
  
  ## CONTEXT
  ${parameter:transcript}
  
  ## OFFERS
  ${parameter:offers}
  

Generator erstellen

In den folgenden Beispielen wird gezeigt, wie Sie einen eigenen GenAI-Textgenerator erstellen.

Parameter

Sie können eine Anweisung kontextbezogen machen, indem Sie Wörter im Format ${parameter:<parameter_name>} als Parameter kennzeichnen. Sie können auch die Data Ingestion API verwenden, um den tatsächlichen Wert eines Parameters zu importieren. Rufen Sie dazu in einer Unterhaltung die Methode IngestContextReferences auf. Bei dieser Methode werden die Parameter in der Anweisung während der Laufzeit durch ihren Wert ersetzt.

Im folgenden JSON-Beispiel wird gezeigt, wie der Wert von Parametern durch Aufrufen von IngestContextReferences importiert wird:

{
  "contextReferences": {
    "glossary": {
      "contextContents": [
        {
          "content": "east one",
          "contentFormat": "PLAIN_TEXT"
        }
      ]
    }
  }
}

Es gibt auch einige Generatorparameter, die nicht aufgenommen werden müssen. Folgende vordefinierte Parameter sind verfügbar:

• ${parameter:transcript}: Die Unterhaltung zwischen dem Kundenservicemitarbeiter und dem Nutzer, einschließlich der letzten Nutzeräußerung.
• ${parameter:transcript_last_utterance}: Die letzte Äußerung in der Unterhaltung.

In jeder Anleitung sollte mindestens ein vordefinierter Parameter verwendet werden.

Unabhängig davon, ob sie integriert oder aufgenommen wurden, unterscheiden sich die Generatorparameter von den Modelloptionen, die beim Erstellen des Generators festgelegt werden. Die Werte dieser Generatorparameter stammen aus einem Transkript einer Unterhaltung oder aus aufgenommenen Daten. Die Werte der Modelloptionen legen Sie dagegen für den Generator als Ganzes fest.

Generator testen

In der Konsole „Build your own GenAI assist“ können Sie den Generator im Bereich Test generator testen.

So testen Sie einen Generator in der Konsole „Build your own GenAI assist“:

Unterhaltungsprofil

Ein Unterhaltungsprofil definiert eine Reihe von Parametern, die die Vorschläge steuern, die während einer Unterhaltung gemacht werden. In den folgenden Schritten wird eine conversationProfile-Ressource mit einem HumanAgentAssistantConfig-Objekt erstellt.

Das folgende JSON-Beispiel zeigt ein Unterhaltungsprofil.

{
  "displayName": "build-your-own-assist-test",
  "humanAgentAssistantConfig": {
    "humanAgentSuggestionConfig": {
      "generators": "projects/PROJECT_ID/locations/global/generators/GENERATOR_ID"
    }
  }
}

Mit dem Simulator bestätigen

Sie können das Unterhaltungsprofil im Agent Assist-Simulator überprüfen. Der Simulator zeigt generierte Antworten an, die mit dem Namen des Generators versehen sind.

Prompt testen

In der Konsole „Generativ AI-Assistent erstellen“ können Sie einen Prompt mit dem Simulator auf die gleiche Weise testen wie ein Unterhaltungsprofil. Die generierte Ausgabe im folgenden Bild zeigt, wie gut der freeform-tool-test1-Generator dem Beispiel-Prompt gefolgt ist.

Unterhaltungen während der Laufzeit

Eine Unterhaltung wird als Interaktion zwischen einem Kundenservicemitarbeiter, einschließlich menschlicher und virtueller Kundenservicemitarbeiter, und einem Supportkunden oder Endnutzer definiert. Wenn bei der Laufzeit ein Dialog zwischen einem Endnutzer und einem menschlichen Kundenservicemitarbeiter beginnt, erstellen Sie eine Unterhaltung. Damit Vorschläge angezeigt werden, müssen Sie einen Endnutzer und einen menschlichen Kundenservicemitarbeiter erstellen und der Unterhaltung als Teilnehmer hinzufügen.

Unterhaltung erstellen

So erstellen Sie eine Unterhaltung:

1. Rufe die Methode create über conversation resource auf.
2. Ersetzen Sie dabei folgende Werte für die Anfragedaten:
   • PROJECT_ID: Ihre Projekt-ID.
   • CONVERSATION_PROFILE_ID: Die ID Ihres Unterhaltungsprofils

HTTP-Methode und URL:

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/conversations

JSON-Text anfordern:

{
  "conversationProfile": "projects/PROJECT_ID/conversationProfiles/CONVERSATION_PROFILE_ID",
}

In der JSON-Antwort enthält das Pfadsegment nach conversations Ihre neue Unterhaltungs-ID. Die JSON-Antwort sollte in etwa so aussehen:

{
  "name": "projects/PROJECT_ID/conversations/CONVERSATION_ID",
  "lifecycleState": "IN_PROGRESS",
  "conversationProfile": "projects/PROJECT_ID/conversationProfiles/CONVERSATION_PROFILE_ID",
  "startTime": "2023-11-05T21:05:45.622Z"
}

Endnutzer als Teilnehmer erstellen

So erstellen Sie einen Endnutzer als Teilnehmer:

1. Rufe die Methode create über die Ressource participants auf.
2. Ersetzen Sie dabei folgende Werte für die Anfragedaten:
   • PROJECT_ID: Ihre Projekt-ID.
   • CONVERSATION_ID: Die Unterhaltungs-ID

Geben Sie für das Feld „Role“ (Rolle) Ihre Unterhaltungs-ID und „END_USER“ ein.

HTTP-Methode und URL:

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/conversations/CONVERSATION_ID/participants

JSON-Text anfordern:

{
  "role": "END_USER",
}

In der JSON-Antwort enthält das Pfadsegment nach participants die neue Teilnehmer-ID für den Endnutzer. Die JSON-Antwort sollte in etwa so aussehen:

{
 "name": "projects/PROJECT_ID/conversations/CONVERSATION_ID/participants/USER_PARTICIPANT_ID", "role": "END_USER"
}

Kundenservicemitarbeiter als Teilnehmer erstellen

So erstellen Sie einen menschlichen Kundenservicemitarbeiter als Teilnehmer:

1. Rufe die Methode create über die Ressource participants auf.
2. Ersetzen Sie dabei folgende Werte für die Anfragedaten:
   • PROJECT_ID: Ihre Projekt-ID.
   • CONVERSATION_ID: Die Unterhaltungs-ID

Geben Sie für das Feld Ihre Unterhaltungs-ID und die HUMAN_AGENT-Rolle wie unten beschrieben ein.

HTTP-Methode und URL:

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/conversations/CONVERSATION_ID/participants

JSON-Text anfordern:

{
  "role": "HUMAN_AGENT",
}

In der JSON-Antwort enthält das Pfadsegment nach participants die neue Teilnehmer-ID für den menschlichen Kundenservicemitarbeiter. Die Antwort sollte in etwa so aussehen:

{
"name": "projects/PROJECT_ID/conversations/CONVERSATION_ID/participants/AGENT_PARTICIPANT_ID", "role": "HUMAN_AGENT"
}

Nachricht analysieren

Ein Generator kann auch eine Nachricht in einer Unterhaltung analysieren. Während einer Unterhaltung können Sie eine Nachricht hinzufügen. Der Generator kann dann sowohl Nachrichten von Kundenservicemitarbeitern als auch von Endnutzern mit der Methode analyzeContent aus der Ressource participants analysieren.

So fügen Sie eine Nachricht eines menschlichen Kundenservicemitarbeiters hinzu und analysieren sie:

1. Rufen Sie die Methode analyzeContent auf.
2. Ersetzen Sie dabei folgende Werte für die Anfragedaten:
   • PROJECT_ID: Ihre Projekt-ID.
   • CONVERSATION_ID: Die Unterhaltungs-ID
   • PARTICIPANT_ID: Die Teilnehmer-ID für den menschlichen Kundenservicemitarbeiter

Geben Sie die Unterhaltungs-ID und die Teilnehmer-ID des menschlichen Kundenservicemitarbeiters ein. Ihre Anfrage sollte in etwa so aussehen:

HTTP-Methode und URL:

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/conversations/CONVERSATION_ID/participants/PARTICIPANT_ID:analyzeContent

JSON-Text anfordern:

{
  "textInput": {
    "text": "Bonjour, ici le service client d'ABC fishing, comment puis-je vous aider aujourd'hui ?",
    "languageCode": "en-US"
  }
}

Sie sollten eine JSON-Antwort ähnlich der folgenden erhalten:

{
  "message": {
    "name": "projects/PROJECT_ID/conversations/CONVERSATION_ID/messages/MESSAGE_ID",
    "content": "Bonjour, ici le service client d'ABC fishing, comment puis-je vous aider aujourd'hui ?",
    "languageCode": "en-US",
    "participant": "PARTICIPANT_ID",
    "participantRole": "HUMAN_AGENT",
    "createTime": "2023-02-13T00:01:30.683Z"
  },
  "humanAgentSuggestionResults": [{
    "generateSuggestionsResponse": {
      "generatorSuggestionAnswers": [{
        "generatorSuggestion": {
          "freeFormSuggestion": {
            "response": "Hello, this is ABC fishing customer service, how can I help you today?"
          }
        },
        "sourceGenerator": "projects/PROJECT_ID/locations/global/generators/GENERATOR_ID",
        "answerRecord": "projects/PROJECT_ID/locations/global/answerRecords/ANSWER_RECORD_ID"
      }],
      "latestMessage": "projects/PROJECT_ID/locations/global/conversations/CONVERSATION_ID/messages/MESSAGE_ID"
    }
  }]
}

Endnutzernachricht hinzufügen und analysieren

1. Rufen Sie die Methode analyzeContent auf. Rufen Sie die Methode nicht doppelt auf, wenn sie bereits für andere Agent Assist-Funktionen aufgerufen wurde.
2. Ersetzen Sie dabei folgende Werte für die Anfragedaten:
   • PROJECT_ID: Ihre Projekt-ID.
   • CONVERSATION_ID: Die Unterhaltungs-ID
   • PARTICIPANT_ID: Die Teilnehmer-ID für den menschlichen Kundenservicemitarbeiter

Geben Sie die Unterhaltungs-ID und die Teilnehmer-ID des menschlichen Kundenservicemitarbeiters ein. Ihre Anfrage sollte in etwa so aussehen:

HTTP-Methode und URL:

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/conversations/CONVERSATION_ID/participants/PARTICIPANT_ID:analyzeContent

JSON-Text anfordern:

{
  "textInput": {
    "text": "Hi",
    "languageCode": "en-US"
  }
}

Sie sollten eine JSON-Antwort ähnlich der folgenden erhalten:

{
  "message": {
    "name": "projects/PROJECT_ID/conversations/CONVERSATION_ID/messages/MESSAGE_ID",
    "content": "Hi",
    "languageCode": "en-US",
    "participant": "PARTICIPANT_ID",
    "participantRole": "END_USER",
    "createTime": "2020-02-13T00:07:35.925Z"
  },
  "humanAgentSuggestionResults": [{
    "generateSuggestionsResponse": {
      "generatorSuggestionAnswers": [{
        "generatorSuggestion": {
          "freeFormSuggestion": {
            "response": "Salut"
          }
        },
        "sourceGenerator": "projects/PROJECT_ID/locations/global/generators/GENERATOR_ID",
        "answerRecord": "projects/PROJECT_ID/locations/global/answerRecords/ANSWER_RECORD_ID"
      }],
      "latestMessage": "projects/PROJECT_ID/locations/global/conversations/CONVERSATION_ID/messages/MESSAGE_ID"
    }
  }]
}

Wenn eine Unterhaltung beendet wurde und analyzeContent nicht verwendet wurde, können Sie die Methode batchCreate aus der Ressource messages verwenden, um bisherige Nachrichten der Unterhaltung zu importieren und zu analysieren.

Vorschläge erhalten

Der Generator bietet auch Vorschläge für Antworten auf eine Nachricht zu jedem Zeitpunkt in einer Unterhaltung. Standardmäßig beziehen sich die Vorschläge auf die letzte Nachricht von einem der Teilnehmer. Sie können auch die Nachricht angeben, für die Sie Vorschläge erhalten möchten. Sie können Vorschläge standardmäßig oder über eine der folgenden Ressourcen erhalten.

Vorgeschlagene Inhalte verwenden

Die Antwort von analyzeContent enthält Vorschläge. Der ausgelöste Generator erstellt diese Vorschläge. Ihre JSON-Anfrage sollte in etwa so aussehen:

HTTP-Methode und URL:

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/conversations/CONVERSATION_ID/participants/PARTICIPANT_ID:analyzeContent

JSON-Text anfordern:

{
  "textInput": {
    "text": "I want to reserve a room.",
    "languageCode": "en-US"
  }
}

Ressource suggestions verwenden

Sie können auch so vorgehen, um Vorschläge zu erhalten:

1. Rufe die Methode generate über die Ressource suggestions auf.
2. Ersetzen Sie dabei folgende Werte für die Anfragedaten:
   • PROJECT_ID: Ihre Projekt-ID.
   • CONVERSATION_ID: Die Unterhaltungs-ID
   • PARTICIPANT_ID: Die Teilnehmer-ID für den menschlichen Kundenservicemitarbeiter

Geben Sie die Unterhaltungs-ID, die ID der letzten Nachricht von einem der Teilnehmer und die Triggerereignisse an. Wenn das Feld „Nachrichten-ID“ nicht festgelegt ist, basieren die Vorschläge standardmäßig auf der letzten Nachricht von einem der Teilnehmer. Der mit dem Triggerereignis verknüpfte Generator wird dann gestartet. Ihre JSON-Anfrage sollte in etwa so aussehen:

HTTP-Methode und URL:

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/conversations/CONVERSATION_IDsuggestions:generate

JSON-Text anfordern:

{
  "latestMessage": "projects/PROJECT_ID/conversations/CONVERSATION_IDmessages/Message_ID",
  "triggerEvents": [ "END_OF_UTTERANCE" ]
}

Ressource statelessSuggestion verwenden

So können Sie noch weitere Vorschläge erhalten:

1. Rufe die Methode generate über die Ressource statelessSuggestion auf.
2. Ersetzen Sie dabei folgende Werte für die Anfragedaten:
   • PROJECT_ID: Ihre Projekt-ID.
   • LOCATION_ID: Ihre Standort-ID

Geben Sie den Generator, die Nachrichten der Unterhaltung und die Kontextverweise mit den aufgenommenen Daten an. Die aufgenommenen Daten ersetzen Parameter in der Anleitung des Generators. Deine JSON-Anfrage sollte in etwa so aussehen:

HTTP-Methode und URL:

https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/locations/LOCATION_ID/statelessSuggestion:generate

JSON-Text anfordern:

{
  "generator": {
    "description": "Translation",
    "triggerEvent": "END_OF_UTTERANCE",
    "freeFormContext": {
      "text": "Read the conversation between agent and customer, and the last utterance. Output the last utterance from customer by following these instructions:
      - If the last utterance from AGENT, output the utterance by translating it to English.
      - If the last utterance from CUSTOMER, output the utterance by translating it to French.
      - Specific brand names and technical terms specified under 'GLOSSARY' section, such as 'Google Home,' should remain unchanged as per the glossary guidelines.

# GLOSSARY
${parameter:glossary}

# CONVERSATION:
${parameter:transcript}

# LAST UTTERANCE:
${parameter:transcript_last_utterance}

# OUTPUT: "
    }
  },
  "contextReferences": {
    "glossary": {
      "contextContents": {
        "content": "east one",
        "contentFormat": "PLAIN_TEXT"
      }
    }
  },
  "conversationContext": {
    "messageEntries": [
      {
        "text": "hi",
        "languageCode": "en-US",
        "role": "END_USER",
        "createTime": {
          "seconds": "1400000000",
          "nanos": "10000000"
        }
      },
      {
        "text": "Bonjour, comment puis-je vous aider aujourd\\'hui ?",
        "languageCode": "en-US",
        "role": "HUMAN_AGENT",
        "createTime": {
          "seconds": "1400000010",
          "nanos": "10000000"
        }
      }
    ]
  },
  "triggerEvents": [
    "END_OF_UTTERANCE"
  ]
}

Kontingentlimits

Kontingente und Limits für Agent Assist finden Sie auf der Seite „Dialogflow-Kontingente“. Für die Funktion „Eigene GenAI-Assistenz erstellen“ gelten die folgenden Kontingentlimits: