Los generadores usan los modelos grandes de lenguaje generativo (LLM) más recientes de Google y las instrucciones que proporcionas para generar el comportamiento y las respuestas del agente durante el tiempo de ejecución. Vertex AI proporciona los modelos disponibles.
Un generador te permite realizar una llamada a un LLM de forma nativa desde agentes de conversación (Dialogflow CX) sin necesidad de crear tu propio webhook externo. Puedes configurar el generador para que haga lo que normalmente le pedirías a un LLM.
Los generadores son excelentes para tareas como la generación de resúmenes, la extracción de parámetros, las transformaciones de datos, etcétera. Consulta los ejemplos a continuación.
Limitaciones
Esta función está disponible para los agentes en cualquier idioma de Dialogflow, aunque los modelos disponibles pueden tener limitaciones de idioma más restrictivas. Consulta Vertex AI para obtener más información.
Comprende los conceptos de 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 de modelo y ciclo de vida)
- Instrucciones
- Controles (llamados "valores de parámetros" en Vertex AI)
Define un generador
Para crear un generador, sigue estos pasos:
- Ve a la consola de Dialogflow CX.
- Selecciona tu proyecto de Google Cloud.
- Selecciona el agente.
- Haz clic en la pestaña Administrar.
- Haz clic en Generadores.
- 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.
Para hacer que la instrucción sea contextual, marca las palabras como marcadores de posición agregando un $ antes de la palabra. Más adelante, puedes asociar estos marcadores de posición de instrucciones del generador con los parámetros de sesión en la entrega, y se reemplazarán por los valores de los parámetros de sesión durante la ejecución.
Existen marcadores de posición de instrucciones del generador especiales que no es necesario asociar con parámetros de sesión. Estos marcadores de posición de instrucciones del generador integrado son los siguientes:
| Término | 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 Generadores 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 de la instrucción del generador con los parámetros de 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 generador se puede probar directamente en el simulador.
Ejemplos
En esta sección, se proporcionan ejemplos de casos de uso para generadores. Dado que los generadores son una tecnología generativa basada en modelos de lenguaje grandes (LLM), los resultados individuales que obtengas cuando uses las siguientes instrucciones de ejemplo pueden ser diferentes del resultado documentado aquí. Todos los resultados de las instrucciones que muestra Google son del mejor esfuerzo.
Resumen de contenido
En este ejemplo, se muestra cómo resumir contenido.
Consigna:
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.
Consigna:
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:
Consigna resuelta:
A modo 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 Conversational Agents (Dialogflow CX)'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 dar 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 basarte 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 formó parte de sus datos de entrenamiento. No hay garantía de que la respuesta sea verdadera o esté actualizada.
Consigna para responder preguntas con autoconocimiento
Your goal is to politely reply to a human with an answer to their question.
The human asked:
$last-user-utterance
You answer:
Solicita respuestas a preguntas con la información proporcionada
Sin embargo, si deseas que el modelo responda en función de la información que proporciones, puedes agregarla a la instrucción. Esto funciona si no tienes demasiada información que quieras proporcionar (p.ej., un menú pequeño de un restaurante o la información de contacto de tu empresa).
# Instructions
Your goal is to politely answer questions about the restaurant menu.
If you cannot answer the question because it's not related to the restaurant
menu or because relevant information is missing from the menu, you politely
decline to answer.
# Restaurant menu:
## Starters
Salat 5$
## 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:
Solicita la respuesta a una pregunta con información proporcionada dinámicamente
A menudo, la información en la que deseas que el modelo base su respuesta es demasiado para que se pegue 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. Simplemente puedes guardar el resultado de ese sistema en un parámetro y conectarlo a un marcador de posición en la instrucción.
# 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 aquí tiene sentido usar un modelo generativo que se entrenó específicamente 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 instrucciones finales de la instrucción evitan que el modelo sea demasiado detallado.
Consigna:
# 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 que proporciona el usuario.
Consigna:
# 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 del cliente
En este ejemplo, se muestra cómo realizar la recuperación de información y la búsqueda de datos proporcionados en formato de cadena o JSON. Los parámetros de sesión de Dialogflow suelen usar estos formatos.
Consigna:
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:
Cómo actualizar 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.
Consigna:
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 Generadores.
Soluciona problemas
Si quieres depurar la función, puedes inspeccionar la instrucción de entrada del modelo de lenguaje extenso (LLM) resuelta 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 puro y verifica si la entrada del LLM tiene sentido. Si alguna frase contiene
$, examina la entrada del simulador y aclara si el$en las instrucciones es intencional (por ejemplo, es probable que$enprice is $10sea intencional, mientras quevisit $cityprobablemente no lo sea y podría implicar un uso incorrecto o un error).Si no ves el campo "Entradas de LLM generativa", comunícate con el equipo de asistencia.