Durante uma conversa, os agentes de CX do Dialogflow CX sempre usam modelos de linguagem para entender a intenção do usuário final, mas você pode decidir se e como os modelos de linguagem são usados para as respostas do agente. Ao projetar seu agente, é possível escolher entre recursos totalmente generativos, parcialmente generativos e determinísticos.
Este guia fornece uma visão geral desses recursos e ajuda você a decidir quais usar.
Totalmente generativa
Os recursos totalmente generativos são criados com base nos modelos de linguagem grandes (LLMs) da Vertex AI para entender a intenção do usuário final e gerar respostas do agente. Esses recursos proporcionam conversas naturais.
Confira a seguir uma visão geral dos recursos totalmente generativos:
- Os playbooks oferecem uma maneira de criar agentes virtuais usando LLMs. Forneça instruções em linguagem natural e dados estruturados. Isso reduz o tempo de criação e manutenção do agente virtual e permite criar novos tipos de experiências de conversa para sua empresa.
- Os repositórios de dados analisam e compreendem seu conteúdo público ou privado, como sites ou documentos internos. Depois que essas informações forem indexadas, o agente poderá responder a perguntas e conversar sobre o conteúdo.
Fluxos deterministas
Se você precisar de um controle mais determinista sobre a conversa e todas as respostas do agente, projete seu agente com fluxos:
- Os fluxos usam modelos de linguagem para entender a intenção do usuário final, que pode ser não determinista. No entanto, depois que a intenção é estabelecida, você tem controle total sobre o fluxo da conversa e as respostas do agente. Projetar um agente com fluxos deterministas leva mais tempo, mas é uma boa opção para agentes que exigem controle explícito sobre as respostas.
Fluxos parcialmente generativos
Os fluxos incluem recursos generativos opcionais que podem ser usados quando você não precisa de controle determinístico sobre as respostas do agente em determinados cenários.
Os recursos são os seguintes:
- Os geradores geram respostas de agentes. Em vez de fornecer a resposta do agente explicitamente, você fornece um comando de LLM que pode lidar com muitos cenários, incluindo resumo de conversas, respostas a perguntas, recuperação de informações do cliente e encaminhamento para um humano.
- A resposta generativa de substituição gera respostas do agente quando a entrada do usuário final não corresponde a uma intent esperada. É possível ativar a substituição generativa em determinados cenários fornecendo um comando de LLM para gerar a resposta.