Construya un agente de IA conversacional con RASA

Conversación orientada al cliente Asistentes de IA No opere en el hueco. Están integrados en procesos comerciales proporcionadamente definidos. Es por eso que se calma que estos sistemas guíen de modo confiable y constante a los usuarios a través de cada paso de un flujo de trabajo predeterminado.

Sin requisa, los marcos de agente existentes que aprovechan un concepto de llamadas de herramientas o Funciones llamadas Interactuar con sistemas (como API o bases de datos) a menudo no alcanzan este objetivo. Carecen de la robustez, la capacidad de control y el soporte incorporado para los procesos complejos requeridos por las aplicaciones de fracción empresarial.

En este artículo, exploraremos por qué este es el caso e introduciremos un enfoque cíclico: Llamadas de proceso. Esto permite la creación de agentes de conversación confiables, conscientes de procesos y fácilmente debuggables. Todavía compartiremos ejemplos de código y lo guiaremos a través de cómo comenzar con la plataforma RASA.

En el ejemplo contemporáneo, los agentes de IA están equipados con herramientas que les permiten resolver tareas específicas. Estas herramientas generalmente realizan acciones atómicas, como vocear a una API para acertar o escribir datos, modernizar o obtener datos de una pulvínulo de datos o operaciones similares. La demarcación de tal enfoque es que a menudo carece estadohacer que los agentes de IA sean impredecibles y, a veces, incluso poco confiables por varias razones:

• Pérdida del contexto de conversación: El agente no recuerda conversaciones o decisiones anteriores, lo que lleva a respuestas redundantes o inconsistentes.
• Mala añadidura a los procesos comerciales: Sin el seguimiento de estado, el agente puede eliminar los pasos requeridos o seguir los pasos en el orden incorrecto.
• Ejecución inconsistente de tareas repetidas: La misma tarea puede producir resultados diferentes, romper las expectativas del afortunado y dominar la confianza.

Por otro costado, las empresas tienen procesos proporcionadamente establecidos, y se calma que los asistentes de IA los sigan, no improvisen o creen los suyos. Un agente de IA conversacional implementado para el servicio al cliente debe comprender las deposición de los usuarios, conectarlos a los procesos de la compañía adecuados, explicar claramente cómo puede ayudar y guiarlos a través de cada paso para conseguir sus objetivos, todo mientras mantiene un flujo de conversación suave y natural.

Aquí es donde llamadas de proceso entra. Con la señal de procesos, la LLM invoca y colabora con un proceso con estado. El afortunado hace una pregunta al asistente, y el LLM predice qué proceso comercial específico y definido activar. El proceso, pegado con LLM, trabaja en conjunto para impulsar la conversación.

Vamos a sumergirnos en cómo construir un asistente de IA confiable utilizando el enfoque de señal de procesos en la destreza. Desarrollaremos un agente de IA bancario capaz de manejar procesos simples, incluida la transferencia de fortuna, desplegar una cuenta de ahorros, replicar a las preguntas frecuentes (preguntas frecuentes) y chocar las solicitudes fuera del tema.

¿Cómo construir agente de IA conversacional con Rasa?

La plataforma RASA es un situación de IA conversacional que ofrece una opción de extremo a extremo para construir asistentes de IA. En el corazón de la plataforma Rasa está tranquilo (IA conversacional con modelos de idiomas), el motor de orquestación de diálogo impulsado por la IA de Rasa. Calm está diseñado para integrar la dialéctica de negocios con la papeleo de conversación adaptativa. Las características centrales de la calma son la comprensión del diálogo, el administrador de diálogo y el rephaser de respuesta contextual.

Con Rasa, puede construir asistentes de IA de texto y texto de voz empresarial y de fracción empresarial. Establezcamos el entorno para comenzar a construir su asistente de banca AI.

Configuración del medio condición

Primero, debe obtener una secreto de impresión de desarrollador gratuita aquí. Se enviará un correo electrónico de confirmación a la dirección de correo electrónico que proporcionó, y deberá copiar su token de ese mensaje.

Hay dos formas de comenzar con Rasa:

• Usando los títulos de códigos de Github
• Instalación recinto con Python

En este tutorial, utilizaremos los espacios de códigos GitHub porque le permite comenzar a construir un agente directamente en su navegador, no se requiere instalación recinto. Esta opción es ideal para principiantes y cualquier persona nueva en Rasa.

Lo que necesitarás:

• Una cuenta de Github
• Una secreto de impresión de desarrollador de RASA – consíguela aquí.

Creando su primer agente de IA conversacional

Para crear tu primer Agente de IA Usando RASA, revise los siguientes pasos:

1. Ir a Rasa Codespaces Github y haga clic en «Crear CodeSpace en Main». Esto abrirá un nuevo espacio de código en su navegador.
2. Una vez que el CodeSpace esté presto, ensenada el archivo .env y agregue una nueva variable de entorno:

RASA_PRO_LICENSE="your-rasa-pro-license-key"

3. Luego, en el terminal, ejecute los siguientes comandos:

Cargue las variables de entorno utilizando:

source .env

Para activar el entorno imaginario:

source .venv/bin/activate

Cree su primer agente utilizando la plantilla de tutorial proporcionada por RASA. A lo desprendido de la instalación, presione Ingresar o sostener Sí a cada pregunta.

Ejecute el venidero comando en el terminal:

rasa init --template tutorial

Se abrirá una nueva pestaña con el inspector RASA. Intente hacerle algunas preguntas a su agente, como:

• ¿Hola, qué tal?
• ¿Qué puedes hacer?

Todavía puedes probar el comando:

• «Ayúdame a transferir fortuna».

Transferir fortuna es un ejemplo de flujo transaccionaldonde el agente sigue una secuencia predefinida de acciones, como pedir información faltante, vocear a una API, modernizar un registro en una pulvínulo de datos o similar.

Construir un flujo

¿Recuerdas cómo hablamos sobre la construcción de una ejecución confiable y determinista de la dialéctica de negocios al principio? Puede crear dicho proceso en RASA usando flujos. Agregaremos funcionalidad a nuestro agente para desplegar una cuenta de ahorros para demostrar cómo llamadas de proceso Funciona en la destreza.

Los flujos le permiten construir una secuencia predefinida de pasos que deben seguirse para conseguir un resultado específico. Por supuesto, desplegar una cuenta de reducción actual en un lado implicaría muchos más pasos, como autenticar al afortunado, la elegibilidad de la cuenta, etc. Todo esto se puede implementar en RASA utilizando acciones personalizadasque son esencialmente funciones de Python.

Construiremos una lectura simplificada donde le pedimos al afortunado información adicional ayer de desplegar una nueva cuenta de ahorros:

• El nombre
• La moneda
• La largo del término

Una vez que se definen estos pasos, el AI El agente los seguirá constantemente y ejecutará la dialéctica comercial según lo prescrito, al tiempo que mejorará las capacidades de LLMS Para una mejor comprensión del diálogo.

Pegar flujo de cuenta de ahorros

Ahora agregaremos este flujo a nuestro asistente editando el flujos.yml Archivo en el directorio de datos:

 open_savings_account:
   description: Collect details to open a savings account.
   steps:
     - collect: account_name
       description: The name the user wants to give their savings account.
     - collect: currency
       description: The currency for the savings account.
     - collect: duration
       description: The amount of time (e.g., months or years) for the savings account.
     - action: utter_confirm_savings_account_opened

Como puede ver, los flujos están escritos en formato Yaml. Si desea comprender la sintaxis de los flujos, puede acertar la documentación oficial en Rasa Docs aquí.

A continuación, actualice el archivo Domain.yml para precisar lo necesario ranura y respuestas. Pensar en dominio.yml Como universo de su asistente de IA conversacional: cada vez que agrega nuevas ranuras o respuestas, debe incluirlas aquí para que su asistente sepa sobre ellos.

Agregue nuevas ranuras a la sección de ranuras:

 account_name:
    type: text
    mappings:
      - type: from_llm
  currency:
    type: text
    mappings:
      - type: from_llm
  duration:
    type: text
    mappings:
      - type: from_llm

Agregue nuevas respuestas a la sección de respuestas:

 utter_ask_account_name:
   - text: "What would you like to call your new account?"

 utter_ask_currency:
   - text: "Which currency would you like to use?"

 utter_ask_duration:
   - text: "How many months or years would you like to save for?"

 utter_confirm_savings_account_opened:
  - text: "Your savings account '{account_name}' has been successfully opened."

Finalmente, ejecute los siguientes comandos para entrenar a su asistente y desplegar el inspector RASA:

rasa train
rasa inspect

Ahora puede probar el nuevo flujo de la cuenta de ahorros chateando con su agente y diciendo poco como:

I want to open a savings account

El asistente seguirá el proceso que definió y recopilará los detalles requeridos paso a paso.

Beneficios del uso de flujos

Algunos de los beneficios del uso de flujos son:

• Desglosando procesos complejos en piezas reutilizables
• Vinculación de flujos juntos para construir interacciones más avanzadas
• Escalabilidad – Puede hacer crecer las capacidades de su asistente mientras mantiene las cosas organizadas
• Control – Defina exactamente cómo debe comportarse el asistente en escenarios específicos

Los flujos hacen que sea más obediente cuidar conversaciones estructuradas, especialmente cuando necesita ejecutar la dialéctica de negocios de modo consistente y confiable.

Manejo de preguntas informativas

Ahora que sabe cómo pegar un flujo, puede expandir la funcionalidad de su agente para manejar cualquier cantidad de tareas, cada una ejecutada con precisión de acuerdo con sus instrucciones. Ya sea que tenga 10 flujos o 100, RASA aprovechará la potencia de los LLM para activar el correcto.

Pero, ¿qué pasa si el afortunado hace una pregunta de información en superficie de una transaccional?

No desea crear un flujo dedicado para cada pregunta, como «¿Cuánto tiempo lleva una transferencia de fortuna?» o «¿Cuál es la comisión para transferencias internacionales?«

Para manejar tales preguntas, Rasa incluye un componente llamado Búsqueda empresarial. Hay varias formas de comenzar con la búsqueda empresarial en RASA y permitir que los usuarios hablen con sus documentos:

• Agregue documentos directamente al directorio de su tesina y use la tienda Faiss Vector
• Use una de las bases de datos vectoriales externos compatibles, como Qdrant o Milvus
• Conecte cualquier otra pulvínulo de datos vectorial de su selección

En este tutorial, utilizaremos la primera opción: Faiss Vector Store. Estos son los pasos para que su agente de IA comprenda consultas informativas:

De forma predeterminada, Enterprise Search usa OpenAI como el proveedor de LLM predeterminado, por lo que deberá pegar su OPENAI_API_KEY al archivo .env.

Prepare sus datos en .txt formatear y agregarlo a Docs/FAQ.TXT para que su agente de IA pueda replicar cualquier pregunta basada en los datos proporcionados, sin ser programado explícitamente para hacerlo.

A continuación, en su config.yml, descomposición EnterpriseSearchPolicy:

- name: EnterpriseSearchPolicy

Editar el patterns.yml archivo en el data carpeta para incluir el venidero patrón de búsqueda:

pattern_search:
  description: Flow for handling knowledge-based questions
  name: pattern search
  steps:
    - action: action_trigger_search

Retornar a entrenar y retornar a ejecutar a su agente. Ahora puede probar consultas transaccionales e informativas.

Manejo de preguntas fuera del inteligencia

Lo extremo que queremos cubrir es qué hacer cuando los usuarios hacen preguntas que no se pueden replicar con una búsqueda de flujo o empresa.

En Rasa, hay un patrón predeterminado, pattern_chitchatdiseñado para manejar tales situaciones. Todas las consultas fuera del inteligencia se enrutarán allí, y tendrá un par de opciones:

• Responda con un mensaje predefinido, como «No estoy seguro de cómo replicar eso».
• Use un LLM y un indicador personalizado para difundir respuestas más variadas y naturales.

pattern_chitchat:
  description: Handles off-topic or común small talk
  name: pattern chitchat
  steps:
    - action: action_handle_chitchat

Entonces puedes precisar tu action_handle_chitchat como una respuesta estática o úsela para conectarse a un LLM para respuestas dinámicas.

Esto asegura que su asistente siempre responda con merced, incluso cuando la pregunta se encuentra fuera de su dialéctica comercial o pulvínulo de conocimiento.

Conclusión

En este artículo, exploramos el situación de IA conversacional y cómo usarlo para construir un agente de IA confiable y escalable que siga estrictamente procesos comerciales proporcionadamente definidos. Demostramos cómo implementar el enfoque de llamadas de proceso, que garantiza la previsibilidad, el control y la fila con los requisitos comerciales del mundo actual.

Aprendiste a:

• Configurar el entorno y iniciar Rasa en los títulos de códigos de Github
• Crear flujos transaccionales, como transferir fortuna y desplegar una cuenta de ahorros
• Use la búsqueda empresarial para manejar consultas informativas
• Manejar preguntas generales y fuera del inteligencia utilizando patrones de respaldo

Ahora tiene todas las herramientas para construir asistentes de IA que puedan especular con confianza en el interior de la dialéctica comercial claramente definida. Pruébalo tú mismo, consigue tu Secreto de atrevimiento de impresión de desarrolladory crea tu primer asistente hoy.