Aprendizado: execução de "mudanças de estado" do processo de serviço em linguagem natural (máquinas de estado)

contextos

O design do diálogo relacionado ao atendimento ao cliente geralmente exige que o usuário confirme que a ação atual está concluída antes de executar a próxima ação, e há duas maneiras de conseguir isso:

1. roteamento 2. palavras-chave

1. roteamento

Geralmente, o grande modelo determina o estado do usuário e, em seguida, executa o serviço do nó correspondente, que é um pouco semelhante ao arranjo dos nós de "atendimento inteligente ao cliente". Exemplo: depois de perguntar o nome, a próxima etapa é obter o número do telefone.

Palavras de dica de nó de trânsito de roteamento típico:

Você receberá .
Categorize cada  em categorias primárias e secundárias.
Forneça a saída no formato Json com as chaves:  e . Somente a saída no formato Json precisa ser gerada, nada mais.
Categoria primária: , ,  ou .
 Categoria secundária: \
Cancelar assinatura ou upgrade \\
Adicionar método de pagamento \\
Explicação sobre taxas \
Taxa de contestação
 Categoria secundária: \\
Solução de problemas gerais \\
Compatibilidade de dispositivos \\
Atualizações de software \\
 Subcategoria: \\
Redefinição de senha \
Atualizar informações pessoais \
Fechar conta \\
Segurança da conta \\
 Categoria secundária:
Informações sobre o produto \
Pagamento \
Feedback \
Conversando com as pessoas \\
---
Solicitação de atendimento ao cliente: Desejo que excluam meus dados pessoais e todos os meus dados de usuário

exportações

{
"primário": "Gerenciamento de contas",
"secondary" (secundário): "Close account" (fechar conta)
}

O desenvolvedor usa esse estado para continuar projetando os nós de serviço subsequentes.

2. palavra-chave

Modificação com base nas instruções de roteamento para adicionar nós de serviço subsequentes.

Você receberá .

Procedimento de serviço ##

1. preferivelmente para confirmar a classificação do problema do usuário, a classificação do problema é a seguinte:

<Categoria primária: , ,  ou .
 Categoria secundária: \
Cancelar assinatura ou upgrade \\
Adição de um método de pagamento \\
Explicação sobre taxas \
Taxa de disputa
 Categoria secundária: \\
Solução de problemas gerais \\
Compatibilidade de dispositivos \\
Atualizações de software \\
 Subcategoria: \\
Redefinição de senha \
Atualizar informações pessoais \
Fechar conta \\
Segurança da conta \\
 Categoria secundária:
Informações sobre o produto \
Pagamento \
Feedback \
Conversando com as pessoas \\

2) Quando o usuário confirmar que a pergunta foi categorizada com precisão, responda às etapas operacionais de acordo com o contexto

3. depois que o usuário confirmar as etapas da operação, cumprimente-o amigavelmente e encerre o tópico.

---

{contexto}

---

Consulta ao serviço de atendimento ao cliente: Quero que excluam meu perfil e todos os meus dados de usuário

Ao projetar prompts, geralmente descrevemos o "processo", um deles é deixar o modelo grande seguir o processo passo a passo; o outro é pedir ao modelo grande que siga o processo passo a passo na interação.

O exemplo da palavra-chave acima é o último, que exige que o modelo grande esteja envolvido no "julgamento" como um contexto, semelhante a uma "máquina de estado".

A palavra-chave descreve as deficiências do processo de julgamento:Instável, truncado como contexto histórico, difícil de descrever a lógica (instabilidade resultante).

Uma nova abordagem dada pela OpenAI

O princípio é simples: definir um conjunto de estados de diálogo no contexto de um diálogo de usuário:

# Status do diálogo

```json
{
"id": "1_intro",.
"description": "Orientar os clientes em suas necessidades, fornecendo informações pessoais e informações sobre a ocasião que estão usando." ,
"instruções": [
"Cumprimente os clientes de maneira amigável e pergunte sobre sua idade, gênero, ocupação e preferências pessoais." , "instructions".
"Confirme as ocasiões em que os clientes estão se vestindo (por exemplo, formal, casual, encontro, etc.) para recomendar conjuntos de roupas apropriados para eles."
],.
"exemplos": [
"Olá! Para ajudá-lo melhor na escolha de um par, você pode começar me dizendo sua idade, sexo e profissão?" ,
"Posso saber em que ocasião você pretende usar essas roupas? Será no trabalho, em um encontro ou em um evento casual?"
],.
"transitions": [{
"next_step": "2_recommend_outfit", , "next_step": "2_recommend_outfit
"condition": "Depois que o cliente tiver fornecido informações pessoais e informações sobre a ocasião do traje."
}]
}
```

```json.
{
"id": "2_recommend_outfit",.
"description": "Recomenda a roupa certa para combinar com base nas informações fornecidas pelo cliente." ,
"instruções": [
"Fornece de duas a três sugestões de combinação de roupas com base nas informações pessoais do cliente e na ocasião em que ele está vestindo." , "instructions".
"Forneça uma descrição detalhada de cada combinação, incluindo o tipo de roupa, como ela combina e como usar acessórios."
],.
"examples": [
"Com base em sua profissão e na reunião de negócios da qual está prestes a participar, recomendo um terno escuro com uma gravata simples." ,
"Se estiver planejando ir a uma festa descontraída, experimente usar jeans com uma camisa casual e um par de sapatos confortáveis."
],.
"transitions": [{
"next_step": "3_get_feedback",
"condition": "O cliente recebeu a recomendação de roupas e está pronto para dar feedback."
}]
}
``

```json.
{
"id": "3_get_feedback",.
"description": "Ajustar ou confirmar recomendações com base no feedback do cliente." ,
"instructions": [
"Pergunte ao cliente se ele está satisfeito com o emparelhamento recomendado e ajuste a recomendação com base no feedback se ele tiver necessidades mais específicas." ,
"Se o cliente estiver satisfeito com a recomendação, confirme o emparelhamento final e encerre o diálogo."
],.
"examples": [
"O que você acha desses emparelhamentos? Elas precisam ser adaptadas às suas necessidades?" ,
"Se você acha que esse emparelhamento é adequado, pode começar a se preparar!"
],,
"transitions": [{
"next_step": "4_finalise_outfit",
"condition": "O cliente confirma a satisfação e finaliza a combinação de roupas."
}]
}
```

```json.
{
"id": "4_finalize_outfit",.
"description": "Confirma a correspondência final do cliente e encerra o diálogo." ,
"instructions": [
"Confirma a seleção da correspondência final do cliente." ,
"Deseja que o cliente esteja bem vestido e feliz por participar da ocasião."
],
"examples": [
"Ótimo, seu par foi selecionado! Esperamos que você brilhe na ocasião." ,
"Boa sorte com seu evento de hoje, os trajes combinando com certeza farão com que você se sinta mais confiante!"
],.
"transitions": []
}
```

Full example: https://chatgpt.com/share/678dcc28-9570-800b-986a-51e6f80fd241

decodificar

As palavras de aviso acima são estados de diálogo salvos entre o guia de roupas de IA e o usuário para registrar o fluxo de serviço pré-programado.

Defina 4 nós de processo de serviço: oriente a pergunta, forneça sugestões correspondentes, ajuste as sugestões com base no feedback e encerre o diálogo após a confirmação do usuário.

A descrição define "fluxo" e a condição define "circulação".

reflexões

A criação de fluxos de trabalho usando apenas linguagem natural oferece novas ideias. Especialmente ao criar serviços de colaboração de agentes, essa abordagem pode permitir um processo de colaboração mais rigoroso.

Se a grande maioria dos serviços puder ser implementada recuperando e inserindo o contexto relacionado à pergunta do usuário para cada estado de diálogo, essa pode ser uma maneira leve e eficiente de estruturar aplicativos de IA baseados em serviços de diálogo.