Εφαρμογή δυνατοτήτων παραγωγικής ενορχήστρωσης

Η δημιουργία ενορχήστρωσης είναι η εξέλιξη της ανάπτυξης των πρακτόρων συνομιλίας στο Copilot Studio. Εισάγει ένα επίπεδο σχεδιασμού που βασίζεται σε μεγάλο γλωσσικό μοντέλο (LLM) που ερμηνεύει την πρόθεση του χρήστη, αναλύει πολύπλοκα αιτήματα, επιλέγει τα σωστά εργαλεία και γνώσεις και εκτελεί σχέδια πολλαπλών βημάτων με προστατευτικά κιγκλιδώματα για ασφάλεια και συμμόρφωση. Αντί να βασίζεται αποκλειστικά σε χειροποίητα θέματα συνομιλίας, η γενετική ενορχήστρωση συνθέτει επαναχρησιμοποιήσιμα δομικά στοιχεία—ενέργειες, θέματα, πηγές γνώσης, θυγατρικούς πράκτορες και αυτόνομα εναύσματα—σε έξυπνες ροές εργασίας.

Στο Copilot Studio, η ενεργοποίηση της δημιουργίας ενορχήστρωσης παρέχει καλύτερες απαντήσεις με λιγότερες μη αυτόματες δέσμες ενεργειών. Σε αυτό το άρθρο, θα μάθετε για την αρχιτεκτονική πίσω από τη γενετική ενορχήστρωση και πώς μπορείτε να συντάξετε αποτελεσματικές οδηγίες και να δοκιμάσετε και να συντονίσετε τους ενορχηστρωμένους εκπροσώπους σας.

Γιατί έχει σημασία η γενετική ενορχήστρωση;

Τα παραδοσιακά σχέδια που βασίζονται σε θέματα απαιτούν πολλά χειροποίητα θέματα, άκαμπτη διακλάδωση και χειροκίνητη λογική πλήρωσης υποδοχών. Αυτή η προσέγγιση μπορεί να οδηγήσει σε:

  • Μεγάλοι θεματικοί κατάλογοι με επικαλυπτόμενη λογική.
  • Δυσκολία χειρισμού διφορούμενων ή πολλαπλών προθέσεων.
  • Ασυνεπείς εμπειρίες όταν οι χρήστες διατυπώνουν ερωτήσεις διαφορετικά.
  • Υψηλό κόστος συντήρησης όταν αλλάζουν τα API ή οι επιχειρηματικοί κανόνες.

Η γενετική ενορχήστρωση επιλύει αυτές τις προκλήσεις με τους εξής τρόπους:

  • Μείωση της εξάπλωσης του θέματος μέσω της σύνθεσης επαναχρησιμοποιήσιμων δομικών στοιχείων.
  • Αυτοματοποίηση πλήρωσης υποδοχών με βάση τους ορισμούς εισόδου.
  • Προσαρμογή του στυλ απόκρισης και της δομής του σχεδίου δυναμικά.
  • Βελτίωση της συνάφειας μέσω της ανάκτησης σημασιολογικής γνώσης.
  • Ενεργοποίηση προληπτικών προτάσεων επόμενου βήματος.

Αρχιτεκτονική και εξαρτήματα

Σε υψηλό επίπεδο, ένας παράγοντας generative orchestrator αποτελείται από πολλά βασικά στοιχεία που συνεργάζονται:

  • Orchestrator (planner): Ο εγκέφαλος του εκπροσώπου που βασίζεται στο LLM και μετατρέπει μια είσοδο, όπως ένα μήνυμα χρήστη ή ένα συμβάν, σε ένα δομημένο σχέδιο. Το orchestrator προσδιορίζει τις προθέσεις, επιλέγει ποια εργαλεία, θέματα ή παράγοντες θα καλέσει για κάθε βήμα και ορίζει την ακολουθία και τη ροή δεδομένων μεταξύ των βημάτων. Εξάγει μια ταξινομημένη λίστα βημάτων (ένα "σχέδιο") που εκτελεί ο χρόνος εκτέλεσης και διασφαλίζει ότι κάθε βήμα είναι εντός πολιτικής. Για παράδειγμα, ζητά έγκριση για ευαίσθητες ενέργειες.

  • Επίπεδο γνώσης: Ένα σύνολο πηγών ανάκτησης, όπως εσωτερικές βάσεις γνώσεων, έγγραφα, βάσεις δεδομένων και άλλα, στις οποίες μπορεί να υποβάλει ερώτημα ο πράκτορας για να στηρίξει τις απαντήσεις του. Ο ενορχηστρωτής χρησιμοποιεί αυτό το επίπεδο για τη λήψη πραγματικών πληροφοριών ή καθοδήγησης. Τα αποτελέσματα συχνά περιλαμβάνουν αναφορές και μεταδεδομένα, τα οποία ο πράκτορας μπορεί να ενσωματώσει στις απαντήσεις για διαφάνεια. Το επίπεδο γνώσης είναι μόνο για ανάγνωση και παρέχει στοιχεία ή πλαίσιο.

  • Εργαλεία και συνδέσεις: Εξωτερικές ενέργειες, API ή ροές αυτοματισμού που μπορεί να καλέσει ο εκπρόσωπος ως μέρος ενός σχεδίου. Κάθε εργαλείο έχει μια καθορισμένη διεπαφή: παραμέτρους εισόδου (με αναμενόμενους τύπους), μεταβλητές εξόδου και πιθανώς συνθήκες σφάλματος. Είναι ουσιαστικά οι «δεξιότητες» του πράκτορα για την εκτέλεση λειτουργιών, όπως η αναζήτηση μιας παραγγελίας, η αποστολή ενός email ή η εκτέλεση ενός σεναρίου. Θα πρέπει να ελέγξετε διεξοδικά τα εργαλεία και να βεβαιωθείτε ότι συμπεριφέρονται ντετερμινιστικά με τις ίδιες εισόδους, καθώς ο ενορχηστρωτής τα αντιμετωπίζει ως αξιόπιστες λειτουργίες.

  • Θέματα και ενσωματωμένοι πράκτορες: Επαναχρησιμοποιήσιμα θέματα συνομιλίας ή μίνι διάλογοι που ενσωματώνουν συγκεκριμένη λογική. Στη γενετική ενορχήστρωση, ο σχεδιαστής μπορεί να επικαλεστεί θέματα όχι μόνο με φράσεις ενεργοποίησης αλλά και όποτε ο περιγραφόμενος σκοπός τους ταιριάζει με τις ανάγκες του χρήστη. Οι ενσωματωμένοι παράγοντες αναφέρονται σε μικρά, εστιασμένα θέματα ή ρουτίνες που χρησιμοποιούνται ως υποβήματα σε ένα μεγαλύτερο σχέδιο. Εκτελούνται εντός του περιβάλλοντος του κύριου εκπροσώπου και χειρίζονται διακριτές εργασίες, έτσι ώστε ο κύριος ενορχηστρωτής να μην χρειάζεται να γράψει ρητά αυτές τις λεπτομέρειες.

  • Εναύσματα συμβάντων (αυτονομία): Μηχανισμοί που εκκινούν το orchestrator χωρίς μήνυμα χρήστη. Αυτοί οι μηχανισμοί μπορεί να είναι προγραμματισμένα εναύσματα ή εναύσματα που βασίζονται σε συμβάντα, όπως μια ενημέρωση εγγραφής βάσης δεδομένων, που αναγκάζουν τον πράκτορα να ξεκινήσει αυτόνομα ένα σχέδιο. Κάθε ενεργοποιητής μπορεί να έχει τις δικές του συνθήκες και ενέργειες. Οι αυτόνομοι κανόνες ενεργοποίησης επιτρέπουν στον πράκτορα να ενεργεί προληπτικά ξεκινώντας ροές εργασίας όταν πληρούνται ορισμένες προϋποθέσεις, αντί να αντιδρά μόνο στην είσοδο συνομιλίας χρήστη.

Επίπεδα ελέγχου και όρια αποφάσεων

Σε έναν πράκτορα επιπέδου παραγωγής, μην αφήνετε κάθε απόφαση στην Α.Ι. Συνήθως, υπάρχουν τρία επίπεδα ελέγχου:

  • Ντετερμινιστικό επίπεδο: Αυτό το επίπεδο χρησιμοποιεί παραδοσιακή λογική βασισμένη σε κανόνες, την οποία εξακολουθείτε να επιβάλλετε για κρίσιμες ή μη αναστρέψιμες ενέργειες. Για παράδειγμα, κατά την επεξεργασία μιας πληρωμής ή τη διαγραφή μιας καρτέλας, μπορείτε να χρησιμοποιήσετε ένα αυστηρά συνταγμένο θέμα ή ροή που εκτελείται βήμα προς βήμα χωρίς καμία ερμηνεία AI. Αυτό το επίπεδο μπορεί επίσης να περιλαμβάνει ρητούς ελέγχους ή επικυρώσεις για ευαίσθητα δεδομένα. Εάν κάτι πρέπει να συμβεί ακριβώς όπως καθορίζεται, χειριστείτε το ντετερμινιστικά. Μπορείτε να διαμορφώσετε το generative orchestrator ώστε να μην παρακάμπτει ή να μην αλλάζει αυτές τις ροές. Στην πράξη, μπορεί είτε να μην εκθέτετε τέτοιες ενέργειες στον σχεδιαστή τεχνητής νοημοσύνης είτε να τις τυλίγετε πάντα σε ένα θέμα που απαιτεί επιβεβαίωση από τον χρήστη.

  • Υβριδικό (αναχαιτιστικό) επίπεδο: Αυτό το επίπεδο προσθέτει κάποια ευελιξία AI γύρω από κυρίως ντετερμινιστικές δομές. Επιτρέπετε στον ενορχηστρωτή να λειτουργεί εντός καθορισμένων ορίων με δυνατότητα υποκλοπής βάσει ανθρώπων ή κανόνων. Για παράδειγμα, ένας εκπρόσωπος μπορεί να συντάξει αυτόματα μια απόκριση ή να εκτελέσει μια ενέργεια, αλλά μπορείτε να εισαγάγετε ένα βήμα έγκρισης για να το εξετάσει ένας διευθυντής. Ή ο πράκτορας μπορεί να χειριστεί μια εργασία μέχρι ένα συγκεκριμένο όριο τιμής και στη συνέχεια να του ζητηθεί να κλιμακώσει. Το υβριδικό επίπεδο προκαθορίζει σημεία όπου το αυτόνομο σχέδιο της τεχνητής νοημοσύνης λαμβάνει σημεία ελέγχου. Χρησιμοποιήστε αυτήν την προσέγγιση για διαδικασίες μεσαίου κινδύνου: αφήστε την τεχνητή νοημοσύνη να κάνει τη βαριά άρση, αλλά κρατήστε έναν άνθρωπο ενήμερο για επίβλεψη.

  • Επίπεδο ενορχηστρωτή AI: Αυτό το επίπεδο είναι πλήρως παραγωγικό. Ο σχεδιαστής LLM έχει την ελευθερία (εντός προστατευτικών κιγκλιδωμάτων) να συνθέτει και να εκτελεί σχέδια για ερωτήματα χαμηλότερου κινδύνου. Οι περισσότερες αλληλεπιδράσεις Ε&Α, αναζητήσεις πληροφοριών ή απλές αιτήσεις πολλαπλών βημάτων εμπίπτουν σε αυτήν την κατηγορία. Για τις περισσότερες ερωτήσεις χρήστη, ο πράκτορας μπορεί αυτόνομα να αποφασίσει πώς να τις λύσει και να αναλάβει δράση. Αυτό το επίπεδο παρέχει την προσαρμοστικότητα και τη δύναμη της γενετικής τεχνητής νοημοσύνης. Δεσμεύεται από πολιτικές. Για παράδειγμα, η τεχνητή νοημοσύνη μπορεί να γνωρίζει ότι δεν επιτρέπεται να καλεί ορισμένα εργαλεία διαχείρισης ή να αποκαλύπτει ορισμένες πληροφορίες. Ο πράκτορας δεν χρειάζεται να σταματήσει και να ζητήσει άδεια για εργασίες ρουτίνας.

Δεδομένων αυτών των επιπέδων, ορίστε ρητά τα όρια απόφασης. Δείτε ποιες δράσεις και θέματα:

  • Μπορεί να εκτελεστεί χωρίς επιβεβαίωση (το AI μπορεί απλώς να τα κάνει)
  • Απαίτηση επιβεβαίωσης του χρήστη εντός της συνομιλίας (για παράδειγμα, "Είστε βέβαιοι ότι θέλετε να διαγράψετε όλες τις εγγραφές;")
  • Απαίτηση έγκρισης εκτός σύνδεσης (για παράδειγμα, ένας διαχειριστής πρέπει να επιβεβαιώσει μέσω μιας ροής εργασιών έγκρισης)

Επιβάλλετε αυτά τα όρια μέσω του σχεδιασμού του θέματός σας, για παράδειγμα προσθέτοντας έναν κόμβο επιβεβαίωσης, μέσω των λειτουργιών έγκρισης της πλατφόρμας ή μέσω λογικής στους κανόνες ενεργοποίησης. Με τον έλεγχο σε στρώσεις, διασφαλίζετε ότι ο πράκτορας λειτουργεί με ασφάλεια—Η τεχνητή νοημοσύνη χειρίζεται αυτό στο οποίο είναι καλό, ενώ οι άνθρωποι ή οι αυστηροί κανόνες χειρίζονται αυτό που η τεχνητή νοημοσύνη δεν πρέπει να αποφασίσει μόνη της.

Βέλτιστες πρακτικές για οδηγίες αντιπροσώπου

Οι σωστά γραμμένες οδηγίες αντιπροσώπου επηρεάζουν την ποιότητα της δημιουργίας σχεδίου.

  • Συνάφεια με τα συμφραζόμενα

    • Βεβαιωθείτε ότι οι οδηγίες αναφέρονται μόνο σε εργαλεία και γνώσεις που είναι διαθέσιμες στον πράκτορα.
    • Χρησιμοποιήστε τα ακριβή ονόματα εργαλείων, τα ονόματα μεταβλητών και τα αναγνωριστικά Power Fx.

  • Οδηγίες συνομιλίας

    • Καθορίστε τη μορφή απόκρισης (λίστες, πίνακες, έντονη γραφή).
    • Παρέχετε στυλιστική καθοδήγηση ("συνοπτική", "συμπεριλάβετε παραπομπές", "προτείνετε τα επόμενα βήματα").
    • Αποφύγετε να ονομάζετε απευθείας συγκεκριμένες πηγές γνώσης. Περιγράψτε τα αντ' αυτού.

  • Καθορισμός του πότε πρέπει να χρησιμοποιούνται εργαλεία ή γνώσεις

    • Προτιμήστε να χρησιμοποιείτε ονόματα εργαλείων. Τα ονόματα έχουν μεγαλύτερη βαρύτητα από τις περιγραφές.
    • Περιγράψτε γενικά τις δυνατότητες γνώσης για να αποφύγετε λανθασμένες πληροφορίες.

  • Αυτόνομες οδηγίες εκτέλεσης

    • Καθορίστε την αναμενόμενη ακολουθία ενεργειών για ροές εργασίας πολλών βημάτων.
    • Συνδυάστε οδηγίες διαδικασίας με συγκεκριμένες προτροπές.

Μάθετε περισσότερα στην ενότητα Διαμόρφωση οδηγιών υψηλής ποιότητας για generative orchestration.

Σχεδιασμός εισροών και εξόδων θέματος

Κατά τη σύνταξη θεμάτων, δώστε ιδιαίτερη προσοχή στις παραμέτρους εισόδου και εξόδου τους στη λειτουργία δημιουργικής ενορχήστρωσης:

  • Καθορίστε σαφείς παραμέτρους εισόδου με περιγραφές: Εάν ένα θέμα ή μια ενέργεια απαιτεί ορισμένες πληροφορίες (όπως "Όνομα χρήστη" για ένα θέμα επαναφοράς κωδικού πρόσβασης), δημιουργήστε μια εισαγωγή θέματος για αυτό και δώστε του ένα περιγραφικό όνομα και παράδειγμα. Το Orchestrator χρησιμοποιεί αυτά τα ονόματα και τις περιγραφές για να ρωτήσει αυτόματα τον χρήστη εάν λείπει η τιμή. Η χρήση μιας λίστας αποδεκτών τιμών ή ενός τύπου επικύρωσης Power Fx για εισόδους μπορεί να σας βοηθήσει να εξασφαλίσετε ότι το bot συλλέγει έγκυρα δεδομένα (για παράδειγμα, περιορίζοντας έναν κωδικό χώρας σε δύο γράμματα).

  • Χρησιμοποιήστε την αυτόματη προτροπή: Στη λειτουργία δημιουργίας, ο εκπρόσωπος δημιουργεί ερωτήσεις από μόνος του αντί να απαιτεί από εσάς να προσθέσετε με μη αυτόματο τρόπο κόμβους ερωτήσεων για να σας ζητήσει πληροφορίες που λείπουν. Αυτή η προσέγγιση είναι μια σημαντική αλλαγή από τα κλασικά bots. Το κλειδί είναι ότι τα ονόματα εισαγωγής σας θα πρέπει να είναι φιλικά προς τον άνθρωπο (για παράδειγμα, "ημερομηνία έναρξης", "διεύθυνση email"), ώστε η τεχνητή νοημοσύνη να μπορεί να σχηματίσει μια φυσική ερώτηση. Εάν η ερώτηση που δημιουργείται αυτόματα από το AI δεν είναι ιδανικά διατυπωμένη, εξετάστε το ενδεχόμενο να βελτιώσετε την περιγραφή ή το όνομα της εισόδου. Αυτή η δυνατότητα απλοποιεί σημαντικά τους διαλόγους, αλλά βασίζεται σε καλά καθορισμένες εισόδους.

  • Προσδιορίστε τα αποτελέσματα για τα θέματα, κατά περίπτωση: Ένα θέμα μπορεί να παράγει μεταβλητές εξόδου που χρησιμοποιεί ο ενορχηστρωτής για να συντάξει την τελική απάντηση. Για παράδειγμα, ενδέχεται να εμφανιστεί NearestStoreLocationένα θέμα "Store Finder" . Εξάγοντας πληροφορίες αντί να στέλνετε απευθείας ένα μήνυμα στον χρήστη, επιτρέπετε στον ενορχηστρωτή να συνδυάσει αυτές τις πληροφορίες με άλλα βήματα με χάρη. Εάν το περιεχόμενο ενός θέματος χρησιμοποιείται σε μια μεγαλύτερη απάντηση, καταγράψτε το ως μεταβλητή εξόδου και αφήστε τον ενορχηστρωτή να χειριστεί τα τελικά μηνύματα. Μάθετε περισσότερα στο θέμα Συμπεριφορά του παράγοντα Orchestrate με τη δημιουργία AI.

  • Αποφύγετε τον "διπλό χειρισμό" δεδομένων σε προτροπές: Εάν διαμορφώσετε τις εξόδους, μην τροφοδοτείτε επίσης αυτές τις εξόδους στο LLM ως περιβάλλον ανοιχτού τύπου. Για παράδειγμα, εάν μια ενέργεια επιστρέψει ένα κείμενο σύνοψης, μεταβιβάστε αυτήν τη σύνοψη ως δομημένο αποτέλεσμα και αφήστε τον ενορχηστρωτή να τη συμπεριλάβει, αντί να γράψετε μια οδηγία όπως «Το αποτέλεσμα της ενέργειας λέει {summary}». Αυτή η προσέγγιση αποτρέπει το μοντέλο από την υπερβολική δημιουργία ή την επανάληψη περιεχομένου. Τα αποτελέσματα θα πρέπει να είναι τελικά σημεία δεδομένων όποτε είναι δυνατόν.

Αλυσιδωτή σύνδεση ενεργειών, θεμάτων και γνώσεων

Επειδή το orchestrator μπορεί να χρησιμοποιήσει πολλές δυνατότητες σε μία στροφή, σχεδιάστε έχοντας κατά νου τη δυνατότητα σύνθεσης:

  • Δώστε σε όλα διαισθητικά ονόματα και περιγραφές: Ο σχεδιαστής αποφασίζει σε μεγάλο βαθμό να χρησιμοποιήσει ένα εργαλείο ή ένα θέμα με βάση το πόσο καλά το όνομα και η περιγραφή του ταιριάζουν με το αίτημα του χρήστη. Χρησιμοποιήστε ενεργές φράσεις που ευθυγραμμίζονται με τις προθέσεις των χρηστών. Για παράδειγμα, ένα εργαλείο με το όνομα "TranslateText" με την περιγραφή "Μεταφράζει κείμενο σε μια καθορισμένη γλώσσα" είναι πιο πιθανό να επιλεγεί όταν ο χρήστης ρωτά για τη μετάφραση, έναντι ενός γενικού ονόματος "Flow1". Τα ονόματα έχουν μεγαλύτερη σημασία από οτιδήποτε άλλο. Αποφύγετε τα κρυπτικά ονόματα. Εάν ο πράκτορας επιλέξει λάθος θέμα, επανεξετάστε αυτά τα ονόματα και τις περιγραφές.

  • Παρέχετε μια πλούσια "εργαλειοθήκη" αλλά επιμεληθείτε την: Συνδέστε όλες τις χρήσιμες ενέργειες που μπορεί να χρειαστεί το σενάριό σας (API, ροές και ούτω καθεξής) και θέματα συντάκτη για σημαντικές ροές. Αυτή η προσέγγιση δίνει στο AI περισσότερες επιλογές για την επίλυση ερωτημάτων. Ωστόσο, καταργήστε ή απενεργοποιήστε εργαλεία και θέματα που γνωρίζετε ότι είναι άσχετα ή επικίνδυνα για τον εκπρόσωπο, ώστε να μην προκαλούν σύγχυση στον προγραμματιστή. Ένα μικρότερο σύνολο επιλογών υψηλής ποιότητας είναι καλύτερο από ένα εξαντλητικό σύνολο με επικαλύψεις. Οι επικαλυπτόμενες περιγραφές μπορεί να αναγκάσουν τον πράκτορα να δοκιμάσει πολλά πράγματα ταυτόχρονα, κάτι που μπορεί να μην είναι επιθυμητό.

  • Εμπιστευτείτε τον σχεδιαστή, εντός λογικής: Μόλις τα στοιχεία είναι καλά καθορισμένα, επιτρέψτε στον ενορχηστρωτή να συνδυάσει και να ταιριάξει. Για παράδειγμα, εάν ο χρήστης ρωτήσει κάτι που θα μπορούσε να αντιμετωπιστεί από ένα άρθρο γνωσιακής βάσης ή ένα API δεδομένων πραγματικού χρόνου, ο σχεδιαστής μπορεί να επιλέξει να χρησιμοποιήσει και τα δύο, ανακτώντας τη γνώση για το υπόβαθρο και καλώντας το API για τρέχουσες πληροφορίες. Αυτή η προσέγγιση μπορεί να δώσει μια ανώτερη απάντηση. Αγκαλιάστε αυτήν την αυτονομία, αλλά παρακολουθήστε από νωρίς για να βεβαιωθείτε ότι γίνονται καλές επιλογές.

  • Χειριστείτε πολλαπλές προθέσεις: Εάν ένα ερώτημα χρήστη ζητά εγγενώς δύο ξεχωριστά πράγματα (όπως "ανοίξτε έναν νέο λογαριασμό και στείλτε μου τα στοιχεία"), ο δημιουργικός σχεδιαστής προσπαθεί να εκπληρώσει και τα δύο επικαλούμενος με τη σειρά τις σχετικές ακολουθίες. Δεν χρειάζεται να κάνετε χειροκίνητο προγραμματισμό για διακλάδωση πολλαπλών προθέσεων. Η δουλειά σας ως προγραμματιστής είναι να διασφαλίσετε ότι κάθε δευτερεύουσα εργασία (άνοιγμα λογαριασμού, αποστολή λεπτομερειών) καλύπτεται από κάποιο εργαλείο ή θέμα και ότι οι έξοδοι και οι είσοδοι τους συνδέονται εάν χρειάζεται.

  • Αφήστε τη γνώση να συμπληρώσει θέματα και εργαλεία: Ο ενορχηστρωτής μπορεί να καλέσει την αναζήτηση γνώσης προληπτικά, όχι απλώς ως εναλλακτική. Εάν έχετε ρυθμίσει τις παραμέτρους μιας εμπλουτισμένης γνωσιακής βάσης, ο εκπρόσωπος μπορεί να απαντήσει σε τμήμα ενός ερωτήματος με ένα απόσπασμα άρθρου γνωσιακής βάσης, ακόμα και αν μια ενέργεια καλύπτει ένα άλλο τμήμα. Αυτή η συμπεριφορά οφείλεται στη σχεδίαση. Διατηρήστε τη βάση γνώσεών σας ενημερωμένη με πληροφορίες που δεν είναι εύκολα διαθέσιμες μέσω εργαλείων.

  • Λάβετε υπόψη το εύρος στη χρήση της γνωσιακής βάσης: Προς το παρόν, δεν μπορείτε να αναγκάσετε τον εκπρόσωπο να χρησιμοποιήσει ένα συγκεκριμένο άρθρο γνωσιακής βάσης κατ' απαίτηση. Το AI επιλέγει σχετικά άρθρα με βάση το ερώτημα. Σημειώστε επίσης περιορισμούς. Για παράδειγμα, τα θέματα συστήματος όπως "Αντιστοίχιση πολλών θεμάτων" δεν χρησιμοποιούνται στη λειτουργία δημιουργίας, καθώς το εργαλείο σχεδιασμού χειρίζεται διαφορετικά την αποσαφήνιση. Μάθετε περισσότερα σχετικά με άλλους γνωστούς περιορισμούς για τη γενετική ενορχήστρωση.

Δοκιμή και ρύθμιση του ενορχηστρωμένου παράγοντα

Η γενετική ενορχήστρωση μετατοπίζει κάποια λογική από τον ρητό σχεδιασμό στον «εγκέφαλο» της τεχνητής νοημοσύνης. Οι επαναληπτικές δοκιμές διασφαλίζουν ότι συμπεριφέρεται όπως προβλέπεται. Ακολουθούν οι βέλτιστες πρακτικές για τη δοκιμή και τη βελτίωση του ενορχηστρωμένου εκπροσώπου σας:

  • Χρήση του χάρτη δραστηριότητας: το Copilot Studio παρέχει έναν χάρτη ενεργότητας κατά τη διάρκεια της δοκιμής, ο οποίος δείχνει τα βήματα που αποφάσισε ο ενορχηστρωτής. Αφού κάνετε στον αντιπρόσωπό σας ένα σύνθετο ερώτημα, επιθεωρήστε το σχέδιο: Ποια θέματα ή ενέργειες κλήθηκαν; Με ποια σειρά; Έθεσε μια κατάλληλη συμπληρωματική ερώτηση; Εάν ο πράκτορας επέλεξε λάθος θέμα ή έχασε ένα εργαλείο, ίσως χρειαστεί να βελτιώσετε τις περιγραφές των στοιχείων ή να προσαρμόσετε τις οδηγίες.

  • Ελέγξτε τις μεταγραφές: Μόλις δημοσιευτεί ο πράκτορας, ελέγχετε τακτικά τις μεταγραφές συνομιλιών ή τα αρχεία καταγραφής. Αναζητήστε παραισθήσεις ή ανακρίβειες στις απαντήσεις. Εάν οι χρήστες δώσουν σχόλια όπως "αυτό δεν είναι σωστό", παρακολουθήστε ξανά για να δείτε γιατί ο πράκτορας πίστευε ότι ήταν. Αντιμετωπίστε τα προβλήματα προσθέτοντας στοιχεία που λείπουν στη βάση γνώσεων, αυστηροποιώντας τις οδηγίες ή, σε ορισμένες περιπτώσεις, προσθέτοντας ένα νέο θέμα για να χειριστείτε ένα κενό. Μάθετε περισσότερα στο θέμα Εξαγωγή και ανάλυση απομαγνητοφωνήσεων συνομιλίας εκπροσώπου (αρχιτεκτονική αναφοράς).

  • Επαναλάβετε με μικρές αλλαγές: Μπορείτε συχνά να βελτιώσετε έναν παράγοντα παραγωγής κάνοντας ανεπαίσθητες αλλαγές. Για παράδειγμα, εάν η έξοδος του πράκτορα είναι πολύ αναλυτική ή όχι στην επιθυμητή μορφή, τροποποιήστε τις οδηγίες σχετικά με το στυλ και τη μορφή και δοκιμάστε ξανά. Εάν καλεί ένα περιττό εργαλείο κάθε φορά, ίσως η περιγραφή του εργαλείου είναι πολύ ευρεία και μπορείτε να την βελτιώσετε ώστε να καλείται μόνο όταν χρειάζεται. Κάντε μία αλλαγή τη φορά και παρατηρήστε την επίδραση στις αποφάσεις του πράκτορα.

  • Δώστε παραδείγματα εκφράσεων (προσεκτικά): Μπορεί να διαπιστώσετε ότι η προσθήκη μερικών παραδειγμάτων ερωτημάτων χρήστη στην περιγραφή ενός θέματος μπορεί να βοηθήσει το LLM να καταλάβει πότε πρέπει να χρησιμοποιήσει αυτό το θέμα. Για παράδειγμα: "Σκοπός: Επαναφορά του κωδικού πρόσβασης ενός χρήστη. Π.χ., ο χρήστης μπορεί να πει "Ξέχασα τον κωδικό πρόσβασής μου" ή "επαναφέρω την πρόσβαση στον λογαριασμό μου Contoso"." Αυτά τα παραδείγματα δίνουν στο μοντέλο επιπλέον συμβουλές. Μην το παρακάνετε και κρατήστε τις περιγραφές συνοπτικές και εστιασμένες. Το μοντέλο έχει ήδη πολύ πλαίσιο—απλώς βεβαιωθείτε ότι τα μεταδεδομένα σας είναι καθαρά.

  • Παρακολούθηση μετρήσεων απόδοσης: Καθώς αυξάνεται η χρήση, παρακολουθήστε βασικές μετρήσεις όπως το ποσοστό επιτυχίας (έλυσε πραγματικά ο πράκτορας το αίτημα του χρήστη;), το εναλλακτικό ποσοστό (πόσο συχνά έλεγε "Συγγνώμη, δεν μπορώ να βοηθήσω με αυτό") και την ικανοποίηση των χρηστών, εάν είναι διαθέσιμη. Ακόμη και κατά τη διάρκεια της δοκιμής, απλές μετρήσεις για το πόσο συχνά χρησιμοποιείται κάθε θέμα και εργαλείο μπορούν να υποδηλώνουν τις απαραίτητες προσαρμογές. Για παράδειγμα, εάν ένα ασήμαντο θέμα μικρής συζήτησης επικαλείται πολύ συχνά και προσθέτει θόρυβο, απενεργοποιήστε το ή περιορίστε την περιγραφή του. Διαβάστε τις οδηγίες σχετικά με τον τρόπο δοκιμής της απόδοσης των copilot σας.

Τα συστήματα παραγωγής μαθαίνουν έμμεσα από τις διαμορφώσεις και τις επιδιορθώσεις σας. Κάθε βελτίωση σε οδηγίες ή μεταδεδομένα κάνει την επόμενη απόφαση του AI καλύτερη. Με την πάροδο του χρόνου, ο ενορχηστρωμένος αντιπρόσωπός σας γίνεται πιο ακριβής και αποτελεσματικός στο χειρισμό ερωτημάτων.

Προσαρμοσμένοι ενεργοποιητές στη δημιουργική ενορχήστρωση

Οι ενεργοποιητές θέματος είναι διαθέσιμοι ειδικά για γενητική ενορχήστρωση. Χρησιμοποιώντας αυτά τα εναύσματα, μπορείτε να συνδεθείτε στον κύκλο ζωής του πράκτορα και να εισάγετε προσαρμοσμένη λογική σε κρίσιμα σημεία της διαδικασίας ενορχήστρωσης. Τρεις κύριοι παράγοντες ενεργοποίησης είναι διαθέσιμοι:

Έναυσμα Όταν ενεργοποιείται Σκοπός
Σχετικά με τις γνώσεις που ζητούνται Ακριβώς πριν ο εκπρόσωπος εκτελέσει ένα ερώτημα γνωσιακής βάσης Αυτό το έναυσμα σάς επιτρέπει να αναχαιτίσετε τη στιγμή που ο ενορχηστρωτής πρόκειται να πραγματοποιήσει αναζήτηση στις προελεύσεις γνώσης. Παρέχει πρόσβαση μόνο για ανάγνωση στις SearchPhrase λέξεις-κλειδιά ή που σκοπεύει να χρησιμοποιήσει ο πράκτορας και μια μεταβλητή συστήματος για την παροχή προσαρμοσμένων αποτελεσμάτων αναζήτησης. Για παράδειγμα, θα μπορούσατε να πιάσετε το ερώτημα και να το δρομολογήσετε σε ένα ιδιόκτητο ευρετήριο ή να εισάγετε περισσότερα δεδομένα στα αποτελέσματα.
Αυτό είναι ένα προηγμένο ("μυστικό") έναυσμα—δεν είναι ορατό στη διεπαφή χρήστη από προεπιλογή και προς το παρόν πρέπει να ενεργοποιηθεί μέσω μιας επεξεργασίας YAML (ονομάζοντας ακριβώς OnKnowledgeRequestedένα θέμα ). Χρησιμοποιήστε το εάν χρειάζεται να αυξήσετε ή να προσαρμόσετε το βήμα ανάκτησης γνώσης, όπως το φιλτράρισμα ορισμένων αποτελεσμάτων ή τη συγχώνευση εξωτερικών δεδομένων στην απόκριση γνώσης.
Δημιουργήθηκε απόκριση AI Αφού το AI συνθέσει ένα προσχέδιο απάντησης, αλλά πριν σταλεί στον χρήστη Ο πράκτορας ενεργοποιεί αυτό το έναυσμα μόλις δημιουργήσει το τελικό κείμενο απάντησης (με βάση όλα τα αποτελέσματα του εργαλείου και του θέματος) και λίγο πριν το παραδώσει. Αυτό το βήμα σας δίνει την ευκαιρία να τροποποιήσετε μέσω προγραμματισμού την απάντηση ή τις παραπομπές της. Για παράδειγμα, μπορείτε να επεξεργαστείτε εκ των υστέρων το κείμενο για να διορθώσετε οποιαδήποτε μορφοποίηση ή να αντικαταστήσετε τις ακατέργαστες διευθύνσεις URL με φιλικούς συνδέσμους παρακολούθησης. Μπορείτε ακόμη και να αποφασίσετε να παρακάμψετε την απάντηση. Το έναυσμα μπορεί να δώσει ένα δικό του προσαρμοσμένο μήνυμα και μπορείτε να χρησιμοποιήσετε μια ContinueResponse σημαία για να υποδείξετε εάν η αρχική απόκριση AI θα πρέπει να σταλεί ή όχι.
Χρησιμοποιήστε αυτό το έναυσμα για προσαρμογές ή βελτιώσεις του τελευταίου δευτερολέπτου στην απάντηση του AI, όπως η προσθήκη μιας προτροπής έρευνας ή η απόκρυψη κάτι που περιλάμβανε το AI αλλά θέλετε να καταργηθεί. Η έντονη χρήση αυτού του ενεργοποιητή μπορεί να υποδηλώνει κάποια λογική που θα μπορούσε να ήταν στις κύριες εντολές. Χρησιμοποιήστε το για λεπτομερή έλεγχο όταν χρειάζεται.
Ολοκληρώθηκε το σχέδιο Αφού εκτελεστεί ολόκληρο το σχέδιο και σταλεί η απάντηση Μόλις ολοκληρωθεί ένα σχέδιο, δηλαδή όλα τα βήματα έχουν τελειώσει και ο χρήστης βλέπει την απάντηση, ενεργοποιείται αυτό το έναυσμα. Συνήθως, χρησιμοποιήστε το για να ξεκινήσετε τυχόν διαδικασίες στο τέλος της συνομιλίας. Μια κοινή χρήση είναι η ανακατεύθυνση της συνομιλίας σε ένα συγκεκριμένο τελικό θέμα ή σε μια έρευνα. Για παράδειγμα, μπορεί να έχετε ένα θέμα στο τέλος της συζήτησης που ευχαριστεί τον χρήστη ή παρέχει τα επόμενα βήματα. Χρησιμοποιώντας το On Plan Complete, μπορείτε να καλέσετε αυτό το θέμα αυτόματα.
Ωστόσο, να είστε προσεκτικοί: πιθανότατα δεν θέλετε να τερματίσετε τη συνομιλία μετά από κάθε ερώτηση χρήστη, ειδικά εάν ένας χρήστης μπορεί να ζητήσει παρακολούθηση. Προσθέστε λογική στο τέλος μόνο εάν έχει οριστεί μια συγκεκριμένη μεταβλητή περιβάλλοντος ή εάν το σχέδιο έλυσε έναν συγκεκριμένο τύπο αιτήματος. Ουσιαστικά, χρησιμοποιήστε το On Plan Complete για ενέργειες καθαρισμού ή χαριτωμένο κλείσιμο όταν χρειάζεται.

Περισσότερες δυνατότητες δημιουργικής ενορχήστρωσης

Εμβαθύνετε την κατανόηση του μοντέλου ενορχήστρωσης του Copilot Studio με προηγμένες δυνατότητες που επεκτείνουν τον τρόπο με τον οποίο οι πράκτορες σχεδιάζουν, ενεργούν και συνεργάζονται:

  • Last updated on