עזרה גנרטיבית ביצירת תוכן

התכונה 'עזרה גנרטיבית בידע' מספקת תשובות לשאלות של הנציג על סמך מידע במסמכים שאתם מספקים. אתם יכולים לציין את שם הדומיין או להעלות מסמכים עבור סוכן של מאגר נתונים מבוסס-זרימה או סוכן של מאגר נתונים מבוסס-פלייבוק. Generative knowledge assist מסכמת את המידע הזה עם השיחה המתנהלת ומטא-נתונים זמינים של הלקוח כדי לספק תשובה רלוונטית יותר ומהירה יותר לנציג.

לפני שמתחילים

אם אתם לא בעלי הפרויקט, אתם צריכים את התפקידים הבאים כדי ליצור סוכן של מאגר נתונים:

- Dialogflow API Admin
- Discovery Engine Admin

יצירת סוכן מאגר נתונים מבוסס-זרימה

  1. מפעילים את AI Applications API במסוף Vertex AI.

  2. כדי ליצור את הסוכן, פועלים לפי השלבים שמפורטים במאמר בנושא סוכני מאגר נתונים מבוססי-Flow.

יצירת סוכן מאגר נתונים מבוסס-פלייבוק

  1. מפעילים את AI Applications API במסוף Vertex AI.

  2. כדי ליצור את הסוכן, פועלים לפי השלבים שמפורטים במאמר סוכני מאגר נתונים שמבוססים על תוכנית פעולה.

  3. כדי לחבר את הסוכן למאגר נתונים, צריך ליצור כלי למאגר נתונים. למידע נוסף, אפשר לעיין בדוגמאות לשימוש בכלי של מאגר נתונים של תוכניות פעולה.

מענה לשאלות מסוכנים אנושיים

הנציג של מאגר הנתונים שמבוסס על תרשים זרימה או על מדריך הפעלה יכול לענות על השאלות של הנציגים האנושיים שלכם על סמך המסמכים שסיפקתם.

שלב 1: יצירת פרופיל שיחה

יוצרים פרופיל שיחה באמצעות מסוף Agent Assist או ממשק ה-API.

יצירה דרך המסוף

  1. צריך להפעיל את סוג ההצעה 'Generative knowledge assist' ולקשר אותו לסוכן של מאגר הנתונים שמבוסס על תהליך או על פלייבוק מהשלב הקודם.
  2. אופציונלי: מסמנים את התיבה השבתת רישום ביומן של שאילתות חיפוש של סוכנים כדי לציין אם רוצים ש-Google תאסוף ותאחסן שאילתות חיפוש עם צנזורה לצורך שיפור איכות פוטנציאלי.
  3. אפשר לסמן את התיבה הפעלת שאילתה משופרת לשיחה כדי לציין אם רוצים להתחשב בהקשר של השיחה בין הסוכן האנושי לבין המשתמש כשיוצרים את התשובה לשאילתת החיפוש.

יצירה מ-API

בשלבים הבאים מוסבר איך ליצור ConversationProfile עם אובייקט HumanAgentAssistantConfig. אפשר לבצע את הפעולות האלה גם באמצעות מסוף Agent Assist.

כדי ליצור פרופיל שיחה, קוראים לשיטת היצירה במשאב ConversationProfile.

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:
  • ‫PROJECT_ID: מזהה הפרויקט
  • ‫LOCATION_ID: המזהה של המיקום
  • ‫AGENT_ID: מזהה הסוכן של מאגר הנתונים מבוסס-הזרימה או מבוסס-ההפעלה מהשלב הקודם
הנה דוגמה ל-JSON: 
  {
    "displayName": "my-conversation-profile-display-name",
    "humanAgentAssistantConfig": {
      "humanAgentSuggestionConfig": {
        "featureConfigs": [
          {
            "suggestionFeature": {
              "type": "KNOWLEDGE_SEARCH"
            },
            "queryConfig": {
              "dialogflowQuerySource": {
                "humanAgentSideConfig": {
                  "agent": "projects/PROJECT_ID/locations/LOCATION_ID/agents/AGENT_ID"
                }
              }
            },
            "disableAgentQueryLogging": false,
            "enableConversationAugmentedQuery": false,
          }
        ]
      }
    }
  }

כשיוצרים פרופיל שיחה במסוף של Agent Assist, התכונה 'Generative knowledge assist' מופעלת אוטומטית ב-Agent Assist.

שלב 2: שימוש בסוכן של מאגר נתונים

אפשר גם להשתמש ב-API‏ SearchKnowledge כדי לקבל את התשובות מסוכן מאגר הנתונים. אפשר גם להשתמש בהגדרות הבאות כחלק מבקשת SearchKnowledge:

  • ‫querySource: מגדירים את השדה הזה כדי לציין אם הסוכן הקליד את השאילתה או שהתכונה 'Generative knowledge assist' הציעה אותה באופן אוטומטי.
  • ‫exactSearch: מגדירים את השדה הזה כדי לציין אם לחפש את שאילתת הקלט המדויקת בלי לשכתב את השאילתה.
  • ‫endUserMetadata: מגדירים את השדה הזה כדי לכלול מידע נוסף על משתמש הקצה, שישפר את התשובה שנוצרה. פרטים נוספים זמינים בדף ההתאמה האישית של ביצועי הסוכן במאגר הנתונים.
  • ‫searchConfig: מגדירים את השדה הזה כדי לקבל שליטה נוספת על שיפור וסינון של מסמכי מידע. פרטים נוספים זמינים בדף ההגדרה של חיפוש ביצועים של סוכן מאגר נתונים.

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

  • ‫PROJECT_ID: מזהה הפרויקט
  • ‫LOCATION_ID: המזהה של המיקום
  • ‫CONVERSATION_PROFILE_ID: מזהה פרופיל השיחה מהשלב הקודם
  • ‫SESSION_ID: מזהה סשן החיפוש
    • היסטוריית החיפושים של אותה סשן יכולה להשפיע על תוצאת החיפוש. אפשר להשתמש במזהה השיחה הבא כמזהה הסשן.
  • ‫CONVERSATION_ID: השיחה (בין נציג תמיכה אנושי לבין משתמש הקצה) שבה מופעלת בקשת החיפוש
  • ‫MESSAGE_ID: ההודעה האחרונה בשיחה כשהבקשה לחיפוש מופעלת

הנה דוגמה לבקשת JSON:

{
  "parent": "projects/PROJECT_ID/locations/LOCATION_ID"
  "query": {
    "text": "What is the return policy?"
  }
  "conversationProfile": "projects/PROJECT_ID/locations/LOCATION_ID/conversationProfiles/CONVERSATION_PROFILE_ID"
  "sessionId": "SESSION_ID
  "conversation": "projects/PROJECT_ID/locations/LOCATION_ID/conversations/CONVERSATION_ID"
  "latestMessage": "projects/PROJECT_ID/locations/LOCATION_ID/conversations/CONVERSATION_ID/messages/MESSAGE_ID
  "querySource": AGENT_QUERY
  "exactSearch": false
  "searchConfig": {
    "filterSpecs": {
      "filter": "category: ANY(\"persona_B\")"
    }
  }
  "endUserMetadata": {
    "deviceOwned": "Google Pixel 7"
  }
}

אפשר גם לציין את שמות המשאבים conversation ו-latest_message אם החיפוש של הסוכן מתבצע במהלך שיחה עם משתמש. אם מפעילים את האפשרות enable_conversation_augmented_query ורוצים לשפר את חוויית התשובה לשאילתה באמצעות ההקשר של השיחה בין הסוכן למשתמש, צריך למלא את שני השדות האלה.

סימולטור

בודקים את הסוכן של מאגר הנתונים שמבוסס על תרשים זרימה או על ספר הפעלה בסימולטור של Agent Assist.

בדוגמה הקודמת, סוכן מאגר הנתונים שמבוסס על זרימה עונה על שאילתת המשתמש What is the refund processing time? עם המידע הבא:

  • תשובה שנוצרה על ידי AI גנרטיבי: אחרי שהחבילה עם המוצר שרוצים להחזיר מגיעה למרכז ההחזרות של המוכר, יכול להיות שיחלפו עד 7 ימי עסקים נוספים עד שההחזרה תעובד. אפשר לבדוק את סטטוס ההחזר הכספי באמצעות מספר המעקב של ההחזרה שמופיע בדף ההזמנות.
  • שם מסמך הידע הרלוונטי: החזרות והחזרים כספיים.

שליחת משוב

הוראות לשליחת משוב מופיעות במאמר שליחת משוב ל-Agent Assist.

מענה לשאלות של נציג

הנה דוגמה לבקשת JSON לשליחת משוב על מענה לשאלות של סוכן:

{
  "name": "projects/PROJECT_ID/locations/LOCATION_ID/answerRecords/ANSWER_RECORD_ID",
  "answerFeedback": {
    "displayed": true
    "clicked": true
    "correctnessLevel": "FULLY_CORRECT"
    "agentAssistantDetailFeedback": {
      "knowledgeSearchFeedback": {
        "answerCopied": true
        "clickedUris": [
          "url_1",
          "url_2",
          "url_3",
        ]
      }
    }
  }
}

מטא-נתונים

אם מגדירים מטא-נתונים למסמך ידע, גם Generative knowledge assist וגם Proactive generative knowledge assist יחזירו את המטא-נתונים של המסמך יחד עם התשובה.

לדוגמה, אפשר להשתמש במטא-נתונים כדי לסמן אם מסמך הידע הוא מאמר פרטי פנימי או מאמר ציבורי חיצוני. בסימולטור של Agent Assist ובמודולים של ממשק המשתמש, גם Generative knowledge assist וגם Proactive generative knowledge assist מציגות באופן אוטומטי ערך של מטא נתונים של מסמך עבור מפתחות מסוימים.

  • gka_source_label: הערך מוצג ישירות בכרטיס ההצעה.
  • ‫gka_source_tooltip: כשהערך הוא struct type, כשמציבים את הסמן מעל קישור המקור, הוא מתרחב והערך מוצג בתיבת מידע.

אם יש לכם את המטא-נתונים הבאים למסמך מידע, בכרטיס ההצעה יופיע המקור External Doc ובתיאור הכלי יופיע doc_visibility: public doc.

מטא-נתונים: None { "title": "Public Sample Doc", "gka_source_label": "External Doc", "gka_source_tooltip": { "doc_visibility": "public doc" } }

מטא-נתונים של משתמשי קצה

מצרפים מטא נתונים של משתמשי קצה כדי לשפר את התשובה שנוצרה על ידי סוכן מאגר המידע ולהתאים אותה אישית. עבור Generative knowledge assist, אפשר לצרף מטא-נתונים של משתמשי קצה לשדה end_user_metadata או להטמיע אותם לשיחה באמצעות IngestContextReferences API. אתם יכולים להשתמש במטא-נתונים של משתמשי קצה שהועברו ל-Generative knowledge assist ול-Proactive generative knowledge assist.

דוגמה 1: צירוף מטא-נתונים של משתמש קצה

{
  "query": {
     "text": "test query"
  },
  "conversationProfile": "projects/PROJECT_ID/locations/LOCATION_ID/conversationProfiles/CONVERSATION_PROFILE_ID",
  "sessionId": "SESSION_ID",
  "conversation": "projects/PROJECT_ID/locations/LOCATION_ID/conversations/CONVERSATION_ID",
  "querySource": "AGENT_QUERY",
  "endUserMetadata": {
    "Name": "Jack",
    "Age": 33,
    "City": "Tokyo"
  }
}

דוגמה 2: קליטת מטא-נתונים של משתמשי קצה

{
  "conversation": "projects/PROJECT_ID/locations/global/conversations/CONVERSATION_ID",
  "contextReferences": {
   "gka_end_user_metadata": {
      "contextContents": [{
"content": "{\"Name\":\"Jack\",\"Age\":33,\"city\":\"Tokyo\"}",
        "contentFormat": "JSON"
      }],
      "updateMode": "OVERWRITE",
      "languageCode": "en-US"
    }
  }
}

לפרטים נוספים על מטא-נתונים של משתמשי קצה ב-Datastore, אפשר לעיין במידע על התאמה אישית של Dialogflow.

שפות

הרשימה המלאה של השפות הנתמכות