Skip to main content

Aumento de agentes e prompts com conhecimento de negócios relevante

Objetivos de aprendizagem

Após concluir esta unidade, você estará apto a:

  • Explicar por que a geração aumentada por recuperação (RAG) melhora a precisão e a relevância das respostas do LLM em agentes e modelos de prompts.
  • Descrever como configurar e usar a RAG em sua organização do Salesforce.

O que é a geração aumentada por recuperação?

A geração aumentada por recuperação (RAG) é uma forma muito utilizada para fundamentar solicitações de prompt a grandes modelos de linguagem (LLMs). A fundamentação adiciona conhecimento específico do domínio ou informações do cliente ao prompt, fornecendo ao LLM contexto para responder com mais precisão a uma pergunta ou tarefa.

Fluxo de tempo de execução da RAG: Prompt do LLM aumentado com informações relevantes para instruir a geração de respostas do LLM.

Resumindo, a RAG:

  1. Recupera informações relevantes de um banco de conhecimento que contém conteúdo estruturado e não estruturado.
  2. Aumenta o prompt, combinando essas informações com o prompt original.
  3. Com o prompt aumentado, o LLM gera uma resposta.

Muitos LLMs são geralmente treinados na Internet com conteúdo estático e disponível publicamente. A RAG adiciona informações específicas do domínio para ajudar os LLMs a fornecer respostas melhores aos seus prompts. Com a RAG, você pode extrair informações úteis de todos os tipos de conteúdo, como respostas de atendimento, casos, artigos do Knowledge, transcrições de conversas, respostas a pedido de propostas (RFP), emails, notas de reuniões, perguntas frequentes (FAQs) e muito mais.

Soluções do Agentforce de início rápido usando o Criador do Agentforce e a biblioteca de dados do Agentforce

O Criador do Agentforce permite que você escolha facilmente artigos do Knowledge ou carregue arquivos para que os agentes possam recuperá-los com apenas alguns cliques. Você pode fazer isso selecionando ou criando uma biblioteca de dados do Agentforce, que é uma biblioteca de conteúdo que o agente usa para responder perguntas. Selecione a fonte da qual a biblioteca de dados extrai informações relevantes: da base de conhecimento do Salesforce Knowledge ou dos arquivos que você carregou (texto, HTML e PDFs). Em tempo de execução, seu agente usa essas informações para fundamentar os prompts do LLM e produzir respostas melhores, mais precisas e relevantes do LLM.

Ao adicionar uma biblioteca de dados, você cria automaticamente todos os elementos necessários para uma solução funcional baseada em RAG. Se desejar, você pode personalizar esses elementos para ajustar as soluções de RAG aos seus casos de uso. Falaremos sobre isso mais tarde.

Obter conhecimento de negócios relevante em agentes

Os agentes obtêm conhecimento relevante de uma biblioteca de dados usando a ação padrão Answer Questions with Knowledge (Responder a perguntas com o Knowledge). Esta ação recupera dinamicamente o conteúdo de conhecimento ou do arquivo que você especificou ao criar ou selecionar uma biblioteca.

Fluxo de tempo de execução da RAG detalhado para agentes: Ação Answer Questions with Knowledge (Responder a perguntas com o Knowledge), solicitação de consulta e resposta, prompt aumentado e resposta do LLM encaminhada para o agente.

Sempre que a ação Answer Questions with Knowledge (Responder a perguntas com o Knowledge) é executada:

  1. A ação executa o modelo de prompt associado. O recuperador é invocado com uma consulta dinâmica.
  2. A consulta pesquisa a biblioteca de dados.
  3. A consulta recupera o conteúdo relevante.
  4. O prompt original é preenchido com informações recuperadas da biblioteca de dados e, em seguida, enviado para o LLM.
  5. A resposta gerada pelo LLM é encaminhada para o agente.

Obter conhecimento de negócios relevante em prompts

Em tempo de execução, os modelos de prompts extraem informações relevantes da sua biblioteca de dados para fundamentar os prompts do LLM, produzindo respostas mais precisas do LLM. Se você estiver usando um modelo de prompt personalizado, no Criador de prompts, basta integrar um recuperador do Einstein Search selecionado ao inserir um recurso. Você também pode usar um recuperador personalizado que ajusta as configurações de pesquisa para qualquer prompt específico.

Fluxo de tempo de execução da RAG detalhado para prompts: consultar, vetorizar, recuperar conteúdo relevante, aumentar e enviar para o LLM.

Sempre que um modelo de prompt com um recuperador é executado:

  1. O recuperador é invocado com uma consulta dinâmica iniciada a partir do modelo de prompt.
  2. A consulta é vetorizada (convertida em representações numéricas). A vetorização permite que a pesquisa encontre correspondências semânticas no índice de pesquisa (que já está vetorizado).
  3. A consulta recupera o conteúdo relevante dos dados indexados no índice de pesquisa.
  4. O prompt original é preenchido com as informações recuperadas do índice de pesquisa.
  5. O prompt é enviado ao LLM, que gera e retorna a resposta ao prompt.

Personalização avançada no Data Cloud

Quando você adiciona uma biblioteca de dados, seja no Criador do Agentforce ou em Setup (Configuração), o Salesforce cria automaticamente uma solução baseada em RAG usando as configurações padrão para todos os componentes: armazenamento de dados vetoriais, índice de pesquisa, recuperador, modelo de prompt e ação padrão. Você pode configurar e personalizar esses componentes individualmente.

Etapas de preparação de dados: ingerir, formar blocos, vetorizar e criar índice.

A preparação de dados envolve estas tarefas no Data Cloud.

  1. Conectar (ingerir) seus dados não estruturados.
  2. Criar uma configuração de índice de pesquisa que vetorize e divida o conteúdo em blocos. O Data Cloud usa um índice de pesquisa para gerenciar conteúdo estruturado e não estruturado de maneira otimizada para pesquisa. Você tem duas opções de pesquisa: pesquisa de vetores e pesquisa híbrida. A pesquisa híbrida combina pesquisa de vetores + pesquisa por palavra-chave.
    • A formação de blocos divide o texto em unidades menores, refletindo passagens do conteúdo original, como frases ou parágrafos.
    • A vetorização converte blocos em representações numéricas do texto que capturam semelhanças semânticas.
  3. Armazenar e gerenciar o índice de pesquisa.

Quando um índice de pesquisa é criado, o Data Cloud cria automaticamente um recuperador padrão para ele. Este recuperador é um recurso que você integra em um modelo de prompt para pesquisar e retornar informações relevantes do banco de conhecimento. Para dar suporte a uma variedade de casos de uso, você pode criar recuperadores personalizados no Einstein Studio que concentram sua pesquisa no subconjunto relevante de informações a adicionar ao prompt.

Veja a RAG em ação

Este vídeo mostra como é fácil aumentar um modelo de prompt usando a RAG.

Conclusão

A biblioteca de dados do Agentforce e a RAG no Data Cloud estão integradas na plataforma de IA generativa do Einstein. Incorpore nativamente a funcionalidade RAG em aplicativos prontos para usar, como o Criador do Agentforce e o Criador de prompts. Com a RAG, você pode fundamentar e aprimorar com segurança suas soluções do Agentforce com dados proprietários de um modelo de dados harmonizado.

Recursos

Compartilhe seu feedback do Trailhead usando a Ajuda do Salesforce.

Queremos saber sobre sua experiência com o Trailhead. Agora você pode acessar o novo formulário de feedback, a qualquer momento, no site Ajuda do Salesforce.

Saiba mais Continue compartilhando feedback