Générateurs

Les générateurs utilisent les derniers grands modèles de langage (LLM) génératifs de Google et les requêtes que vous fournissez pour générer le comportement et les réponses de l'agent au moment de l'exécution. Les modèles disponibles sont fournis par Vertex AI.

Un générateur vous permet d'appeler un LLM en mode natif à partir d'agents conversationnels (Dialogflow CX) sans avoir à créer votre propre webhook externe. Vous pouvez configurer le générateur pour qu'il effectue tout ce que vous demanderiez normalement à un LLM.

Les générateurs sont particulièrement efficaces pour des tâches telles que la synthèse, l'extraction de paramètres, les transformations de données, etc. (voir les exemples ci-dessous).

Limites

Cette fonctionnalité est disponible pour les agents dans n'importe quelle langue Dialogflow, bien que les modèles disponibles puissent avoir des limites linguistiques plus restrictives. Pour en savoir plus, consultez Vertex AI.

Comprendre les concepts de générateur

La documentation sur Vertex AI contient des informations importantes à comprendre lorsque vous créez des générateurs pour Dialogflow:

• Modèles (Modèles de fondation Google et Versions et cycle de vie des modèles)
• Requêtes
• Commandes (appelées "valeurs de paramètre" dans Vertex AI)

Définir un générateur

Pour créer un générateur:

1. Accédez à la console Dialogflow CX.
2. Sélectionnez votre projet Google Cloud.
3. Sélectionnez l'agent.
4. Cliquez sur l'onglet Gestion.
5. Cliquez sur Générateurs.
6. Cliquez sur Créer.
7. Saisissez un nom à afficher descriptif pour le générateur.
8. Saisissez la requête textuelle, le modèle et les commandes comme décrit dans les concepts.
9. Cliquez sur Enregistrer.

La requête textuelle est envoyée au modèle génératif lors de l'exécution. Il doit s'agir d'une question ou d'une requête claire pour que le modèle génère une réponse satisfaisante.

Vous pouvez rendre l'invite contextuelle en marquant des mots comme espaces réservés en ajoutant un $ avant le mot. Vous pourrez ensuite associer ces espaces réservés de requête du générateur aux paramètres de session lors du traitement. Ils seront remplacés par les valeurs des paramètres de session lors de l'exécution.

Il existe des espaces réservés d'invite de générateur spéciaux qui n'ont pas besoin d'être associés aux paramètres de session. Ces espaces réservés d'invite de générateur intégrés sont

Utiliser un générateur dans le traitement

Vous pouvez utiliser des générateurs lors du traitement (dans les routes, les gestionnaires d'événements, les paramètres, etc.).

Accédez à la section Générateurs du volet Traitement, puis développez-la. Cliquez ensuite sur Ajouter un générateur. Vous pouvez désormais sélectionner un générateur prédéfini ou en définir un sur place.

Après avoir sélectionné un générateur, vous devez associer les espaces réservés de l'invite de générateur de l'invite aux paramètres de session. De plus, vous devez définir le paramètre de sortie qui contiendra le résultat du générateur après l'exécution.

Notez que vous pouvez ajouter plusieurs générateurs dans une même exécution, qui sont exécutés en parallèle.

Le paramètre de sortie peut ensuite être utilisé ultérieurement, par exemple dans la réponse de l'agent.

Tester un générateur

La fonctionnalité de générateur peut être testée directement dans le simulateur.

Examples

Cette section fournit des exemples de cas d'utilisation pour les générateurs. Étant donné que les générateurs sont une technologie générative basée sur de grands modèles de langage (LLM), les résultats individuels obtenus à l'aide des exemples d'invites suivants peuvent être différents de la sortie documentée ici. Tous les résultats d'invite renvoyés par Google sont fournis dans les meilleurs délais.

Résumé de contenu

Cet exemple montre comment résumer un contenu.

Invite :

Your goal is to summarize a given text.

Text:
$text

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

Résumer les conversations

Cet exemple montre comment fournir un résumé de la conversation.

Invite :

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:

Invite de résolution:

Pour un exemple de conversation, la requête résolue envoyée au modèle génératif pourrait être:

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:

Mise en forme Markdown

Cet exemple montre comment mettre en forme du texte 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

Systèmes de questions-réponses

Cette série d'exemples montre comment utiliser des générateurs pour répondre à des questions.

Tout d'abord, vous pouvez simplement vous appuyer sur les connaissances internes du modèle génératif pour répondre à la question. Notez toutefois que le modèle fournira simplement une réponse en fonction des informations qui faisaient partie de ses données d'entraînement. Il n'est pas garanti que la réponse soit vraie ou à jour.

Demander des réponses à des questions en s'appuyant sur la connaissance de soi

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

The human asked:
$last-user-utterance

You answer:

Demander à répondre à une question avec les informations fournies

Toutefois, si vous souhaitez que le modèle réponde en fonction des informations que vous fournissez, vous pouvez simplement les ajouter à la requête. Cette méthode fonctionne si vous ne souhaitez pas fournir trop d'informations (par exemple, le menu d'un petit restaurant ou les coordonnées de votre entreprise).

# 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:

Demander à un système de questions-réponses de répondre à une question à l'aide d'informations fournies de manière dynamique

Souvent, les informations sur lesquelles vous souhaitez que le modèle base sa réponse sont trop nombreuses pour être simplement collées dans la requête. Dans ce cas, vous pouvez connecter le générateur à un système de récupération d'informations tel qu'une base de données ou un moteur de recherche, afin de récupérer dynamiquement les informations en fonction d'une requête. Vous pouvez simplement enregistrer la sortie de ce système dans un paramètre et la connecter à un espace réservé dans l'invite.

# 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:

Génération de code

Cet exemple montre comment utiliser un générateur pour écrire du code. Notez qu'il est ici logique d'utiliser un modèle génératif spécialement entraîné pour générer du code.

Prompt (Invite)

# 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:

Escalade à un agent humain

Cet exemple montre comment escalader une demande à un agent humain. Les deux dernières instructions de l'invite empêchent le modèle d'être trop verbeux.

Invite :

# 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:

Génération de requêtes de recherche

Cet exemple montre comment optimiser une requête de recherche Google fournie par l'utilisateur.

Invite :

# 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:

Récupération des informations sur le client

Cet exemple montre comment effectuer la récupération d'informations et la recherche de données fournies au format chaîne ou JSON. Ces formats sont couramment utilisés par les paramètres de session Dialogflow.

Invite :

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:

Mettre à jour un objet JSON

Cet exemple montre comment accepter un objet JSON d'entrée de l'utilisateur (ou du webhook), puis manipuler l'objet en fonction de la requête de l'utilisateur.

Invite :

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:

Atelier de programmation

Consultez également le atelier de programmation sur les générateurs.

Dépannage

Si vous souhaitez déboguer la fonctionnalité, vous pouvez inspecter l'invite d'entrée du grand modèle de langage (LLM) résolue dans le simulateur de la console Dialogflow:

1. Cliquez sur le bouton Réponse d'origine:

   

2. Recherchez le champ "Inputs LLM des générateurs". Lisez ces champs en texte brut et vérifiez si l'entrée du LLM est logique. Si une phrase contient $, examinez l'entrée du simulateur et vérifiez si les $ dans les requêtes sont intentionnelles (par exemple, $ dans price is $10 est probablement intentionnel, tandis que visit $city ne l'est probablement pas et peut impliquer un usage abusif ou un bug).

3. Si le champ "Inputs LLM génératives" ne s'affiche pas, contactez l'assistance.