Important ! Étapes pour créer un Agent
GPTBots est une plateforme de développement d'applications IA (Agent) qui vous permet de créer n'importe quel Agent adapté à vos besoins sans aucune programmation.
GPTBots est simple et facile à utiliser. Ainsi, le plus grand défi pour les utilisateurs est : comment créer un Agent exploitable qui réponde à leurs besoins ?
C'est pourquoi la réflexion en amont est cruciale.
Cet article va vous guider étape par étape pour réfléchir et construire votre propre Agent.
Processus de réflexion
L'approche pour concevoir un Agent est généralement similaire à la conception d'un produit.
Cependant, nous recommandons de considérer l'Agent comme un humain. Cela nous aide à mieux projeter des problèmes réels sur l'Agent afin qu'il puisse les résoudre.
Scénario
Tout d'abord, vous devez déterminer le scénario, c'est-à-dire quels problèmes souhaitez-vous que cet Agent résolve ?
Nous utilisons généralement le « 5W1H » pour décrire un scénario :
Où, Quand, Qui, Pourquoi, Comment, Quoi.
Par exemple :
À la maison (Où), lors d'achats en ligne (Quand), l'acheteur (Qui) souhaite consulter le service client de la boutique en ligne (Quoi) en passant un appel (Comment) parce qu'il ne sait pas comment retourner un produit (Pourquoi).
Ceci est un scénario utilisateur typique pour un Agent de service client e-commerce.
Nous pouvons utiliser cela comme référence pour lister plusieurs scénarios pour l'Agent, tels que :
- Ne pas savoir comment retourner un produit
- Ne pas savoir comment obtenir un remboursement
- Ne pas savoir comment échanger un produit
- Ne pas savoir comment déposer une réclamation
- Comment utiliser le produit
- Autres moyens de contact de la plateforme
- ...
En général, nous ne recommandons pas qu'un Agent résolve un éventail de problèmes trop large. Plus les scénarios de l'Agent sont verticaux ou ciblés, plus il pourra résoudre efficacement les problèmes.
Comme les humains, il doit « se spécialiser dans un domaine particulier ».
Dans l'exemple ci-dessus, les scénarios listés sont tous liés au « service client e-commerce », ce qui aide à établir clairement l'image d'un représentant du service client e-commerce.
Dans le même temps, il est préférable de ne pas inclure dans cet Agent des scénarios sans rapport avec le « service client e-commerce », comme les « recommandations de prêts » ou les « recommandations de produits ».
Positionnement
Après avoir listé les scénarios, nous pouvons avoir un positionnement clair pour l'Agent.
Dans l'exemple ci-dessus, il s'agit d'un Agent de « service client e-commerce » qui peut répondre à certaines questions sur la plateforme e-commerce pour les utilisateurs et gérer des tâches telles que les retours et les échanges.
Ressources
Une fois le positionnement défini, il faut commencer à préparer certaines ressources que l'Agent utilisera, principalement de deux catégories : connaissances et outils.
Connaissances
Les connaissances, comme leur nom l'indique, sont ce que l'Agent doit apprendre et comprendre, généralement des documents.
Même les humains doivent apprendre les connaissances métier correspondantes avant de traiter des tâches professionnelles. L'Agent, c'est pareil.
L'Agent répondra aux questions des utilisateurs sur la base des connaissances dont il dispose.
Par exemple, la procédure de retour et d'échange d'une certaine plateforme e-commerce. Si cette connaissance n'est pas fournie à l'Agent, il ne saura pas comment répondre. Dans les cas extrêmes, il pourra même produire des « hallucinations » et donner des réponses aléatoires.
Vous devez préparer ces documents de connaissances en fonction des scénarios et du positionnement de l'Agent.
Par exemple, si vous souhaitez que l'Agent puisse répondre aux questions sur les retours et échanges sur la plateforme e-commerce, vous devez préparer des documents pertinents sur les règles et procédures de retour et d'échange de la plateforme.
Outils
Les outils sont les instruments nécessaires à un Agent pour exécuter des tâches.
Pour un Agent, les outils sont essentiellement des « API ». En fournissant des API à l'Agent comme outils, l'Agent peut appeler ces API au moment opportun pour effectuer certaines tâches.
Par exemple, si un utilisateur sur une plateforme e-commerce souhaite retourner un produit, le développeur de l'Agent peut fournir l'API de retour à l'Agent. L'Agent pourra alors appeler cette API lorsque l'utilisateur souhaite retourner un produit, réalisant ainsi le retour directement pour l'utilisateur.
Vous devez préparer ces outils (API) en fonction du scénario et du positionnement de l'Agent, comme les API de retour, d'échange, de dépôt de ticket, etc.
Conception
Après avoir clarifié les idées et préparé les ressources, nous pouvons passer à la phase de conception formelle de l'Agent.
Invite d'identité : Positionner l'Agent
Rédiger une invite d'identité pertinente est la première étape pour créer un excellent Agent.
Dans l'invite d'identité, nous devons définir le rôle, les compétences, les tâches, les contraintes de l'Agent, etc., afin qu'il comprenne clairement ses responsabilités et soit plus performant.
En savoir plus : Comment rédiger des invites d'identité efficaces et puissantes
Allocation du contexte : Permettre aux Agents de gérer les informations appropriées dans un espace limité
L'Agent est basé sur un Large Language Model (LLM), et la longueur du contexte d'un LLM représente la quantité d'informations qu'il peut traiter, ce qui est limité.
Comme la capacité de différentes personnes à lire des articles : certaines peuvent lire un grand nombre d'articles en peu de temps tout en comprenant et traitant le contenu, tandis que d'autres ne peuvent en lire qu'un petit nombre dans le même temps et risquent même de ne pas pouvoir les traiter.
La longueur du contexte d'un LLM est similaire à la quantité d'articles qu'un humain peut lire et traiter en peu de temps.
Ainsi, dans un contexte limité, fournir les bonnes informations au LLM et minimiser les informations non pertinentes permet d'obtenir de meilleurs résultats.
En savoir plus : Comment allouer raisonnablement le contexte LLM
Base de connaissances : Apprendre des connaissances à l'Agent
Téléchargez vos documents de connaissances préparés dans la base de connaissances afin que, lorsque les utilisateurs posent des questions, l'Agent utilise d'abord la requête de l'utilisateur pour effectuer une recherche dans la base de connaissances, trouve le contenu documentaire sémantiquement lié à la question comme référence, puis demande au LLM de résumer et fournir une réponse à l'utilisateur.
Cependant, télécharger des documents de connaissances dans la base de connaissances de l'Agent n'est pas forcément la meilleure façon d'utiliser la connaissance, ce qui est lié au framework RAG et à la façon dont le LLM gère les tâches. Vous pouvez consulter cet article pour concevoir la méthode la mieux adaptée à votre scénario :
En savoir plus : Comment exploiter la base de connaissances
Outils : Permettre aux Agents d'exécuter des tâches
Dans le module Outils, vous pouvez empaqueter vos API préparées comme Outils et les ajouter à l'Agent, permettant à l'Agent d'exécuter ces API.
En savoir plus : Comment créer des outils
En même temps, GPTBots propose également un grand nombre d'OpenTools prêts à l'emploi, que vous pouvez ajouter directement à l'Agent selon vos besoins, sans développement supplémentaire.
Flow : Adapté aux Agents avec des processus complexes
Si vous devez concevoir une logique d'agent assez complexe, impliquant de nombreuses étapes, processus ou conditions, alors Flow sera un excellent choix. Il vous permet de configurer librement le workflow de l'agent sur un canevas en glissant-déposant.
En savoir plus : À propos de Flow
Mémoire : Permettre à l'Agent de gérer des tâches en continu
Comme dans une conversation entre personnes, nous avons besoin de savoir de quoi nous avons parlé précédemment pour poursuivre la discussion et maintenir la conversation.
La mémoire d'un agent fonctionne de façon similaire.
Vous pouvez déterminer s'il faut utiliser la mémoire et comment l'utiliser en fonction du scénario de service de l'Agent. Par exemple :
- Si l'agent implique de nombreux tours de conversation pour résoudre un problème (comme des discussions approfondies), vous pouvez activer la « mémoire à long terme ».
- Si l'agent peut résoudre le problème en quelques tours de conversation (comme les consultations en ligne), vous pouvez activer uniquement la « mémoire à court terme » sans avoir besoin de « mémoire à long terme ».
- Si la tâche principale de l'agent peut être accomplie en une seule fois (comme la rédaction d'un e-mail), il n'est pas nécessaire d'activer une quelconque mémoire.
Par ailleurs, vous pouvez aussi fournir des attributs utilisateur à l'Agent comme mémoire, permettant à l'Agent de connaître certaines informations sur l'utilisateur afin d'offrir des services plus personnalisés.
Par exemple, pour un Agent de service en chambre d'hôtel, lorsque l'Agent interagit avec un client, il doit déjà avoir obtenu le nom du client, le numéro de chambre et d'autres détails via les attributs utilisateur. Ainsi, si le client demande un service de repas via l'Agent, ce dernier n'a pas besoin de redemander le nom et le numéro de chambre. Il doit simplement demander le type de service souhaité, car il sait déjà dans quelle chambre livrer le repas.
En savoir plus : À propos de la mémoire et des attributs utilisateur
Déploiement : Où utiliser les Agents
Vous pouvez évaluer où l'Agent doit être intégré en fonction de votre cas d'usage pour servir les utilisateurs.
Intégrez-le là où se trouvent les utilisateurs.
En savoir plus : Intégration de l'Agent
Exemples
Si, après avoir lu ce qui précède, vous ne comprenez toujours pas bien comment concevoir un Agent, nous avons également préparé de nombreux exemples pour vous.
Il vous suffit de sélectionner un modèle lors de la création d'un Agent. Vous pouvez vous référer aux paramètres déjà définis dans le modèle pour mieux comprendre et réfléchir à la conception d'un Agent. C'est un excellent moyen d'apprendre.