ساخت دستیار خرید هوشمند با AlloyDB و Vertex AI Agent Builder - قسمت 2

1. بررسی اجمالی

در چشم انداز خرده فروشی پرشتاب امروزی، ارائه خدمات استثنایی به مشتریان و در عین حال امکان تجربه خرید شخصی سازی شده بسیار مهم است. ما شما را به یک سفر فنی از طریق ایجاد یک برنامه چت مبتنی بر دانش می بریم که برای پاسخ به سؤالات مشتری، راهنمای کشف محصول و تنظیم نتایج جستجو طراحی شده است. این راه حل نوآورانه قدرت AlloyDB برای ذخیره سازی داده ها، یک موتور تجزیه و تحلیل داخلی برای درک زمینه، Gemini (مدل زبان بزرگ) برای اعتبارسنجی ارتباط و Agent Builder Google برای راه اندازی سریع یک دستیار مکالمه هوشمند را ترکیب می کند.

چالش: مشتریان خرده‌فروشی مدرن انتظار پاسخ‌های فوری و توصیه‌های محصولی را دارند که با ترجیحات منحصربه‌فرد آنها هماهنگ باشد. روش های جستجوی سنتی اغلب در ارائه این سطح از شخصی سازی کوتاهی می کنند.

راه حل: برنامه چت مبتنی بر دانش ما با این چالش مقابله می کند. این یک پایگاه دانش غنی حاصل از داده‌های خرده‌فروشی شما را برای درک مقصود مشتری، پاسخ هوشمندانه و ارائه نتایج بسیار مرتبط به کار می‌گیرد.

چیزی که خواهی ساخت

به عنوان بخشی از این آزمایشگاه (قسمت 2)، شما:

1. یک عامل Vertex AI Agent Builder بسازید
2. ابزار AlloyDB را با عامل ادغام کنید

الزامات

• مرورگری مانند کروم یا فایرفاکس
• یک پروژه Google Cloud با فعال کردن صورت‌حساب.

2. معماری

جریان داده: بیایید نگاهی دقیق تر به نحوه حرکت داده ها در سیستم خود بیندازیم:

بلع :

داده های خرده فروشی (موجودی، توضیحات محصول، تعامل با مشتری) به طور مداوم در AlloyDB بارگذاری می شود.

موتور تجزیه و تحلیل:

ما از AlloyDB به عنوان موتور تجزیه و تحلیل برای انجام موارد زیر استفاده خواهیم کرد:

1. استخراج زمینه: موتور داده‌های ذخیره‌شده در AlloyDB را برای درک روابط بین محصولات، دسته‌ها، رفتار مشتری و غیره تجزیه و تحلیل می‌کند.
2. ایجاد جاسازی: جاسازی ها (نمایش های ریاضی متن) هم برای درخواست کاربر و هم برای اطلاعات ذخیره شده در AlloyDB ایجاد می شوند.
3. جستجوی برداری: موتور جستجوی مشابهی را انجام می‌دهد و جاسازی پرس و جو را با تعبیه‌های توضیحات محصول، بررسی‌ها و سایر داده‌های مرتبط مقایسه می‌کند. این 25 مرتبط ترین "نزدیک ترین همسایه" را شناسایی می کند.

اعتبار سنجی جوزا:

این پاسخ های بالقوه برای ارزیابی به Gemini ارسال می شود. Gemini تعیین می کند که آیا آنها واقعاً مرتبط و ایمن هستند تا با کاربر به اشتراک بگذارند.

تولید پاسخ:

پاسخ های تایید شده در یک آرایه JSON ساختار یافته و کل موتور در یک تابع اجرای ابری بدون سرور بسته بندی می شود که از Agent Builder فراخوانی می شود.

مراحل فوق قبلاً در بخش 1 آزمایشگاه پوشش داده شده است.

ما در مورد جزئیات فنی ایجاد یک موتور تجزیه و تحلیل دانش محور که به دستیار خرید هوشمند ما قدرت می دهد، بحث کردیم. اکنون، بیایید بررسی کنیم که چگونه از جادوی Agent Builder برای زنده کردن این موتور در یک رابط مکالمه استفاده می کنیم. مطمئن شوید که URL نقطه پایانی را قبل از شروع قسمت 2 آماده کرده اید. این مرحله بعدی همان چیزی است که در این آزمایشگاه پوشش می دهیم:

تعامل مکالمه:

Agent Builder پاسخ ها را در قالب زبان طبیعی به کاربر ارائه می دهد و گفتگوی رفت و برگشت را تسهیل می کند.

3. قبل از شروع

یک پروژه ایجاد کنید

1. در Google Cloud Console ، در صفحه انتخاب پروژه، یک پروژه Google Cloud را انتخاب یا ایجاد کنید.
2. مطمئن شوید که صورتحساب برای پروژه Cloud شما فعال است. با نحوه بررسی فعال بودن صورت‌حساب در پروژه آشنا شوید.
3. شما از Cloud Shell استفاده خواهید کرد، یک محیط خط فرمان در حال اجرا در Google Cloud که با bq از قبل بارگذاری شده است. روی Activate Cloud Shell در بالای کنسول Google Cloud کلیک کنید.

4. پس از اتصال به Cloud Shell، با استفاده از دستور زیر بررسی می‌کنید که قبلاً احراز هویت شده‌اید و پروژه به ID پروژه شما تنظیم شده است:

gcloud auth list

5. دستور زیر را در Cloud Shell اجرا کنید تا تأیید کنید که دستور gcloud از پروژه شما اطلاع دارد.

gcloud config list project

6. اگر پروژه شما تنظیم نشده است، از دستور زیر برای تنظیم آن استفاده کنید:

gcloud config set project <YOUR_PROJECT_ID>

7. API های مورد نیاز را فعال کنید. جایگزین دستور gcloud از طریق کنسول با جستجوی هر محصول یا استفاده از این پیوند است.

اگر هر یک از API از دست رفته است، همیشه می توانید آن را در طول پیاده سازی فعال کنید.

برای دستورات و استفاده از gcloud به اسناد مراجعه کنید.

نکته مهم: همچنین مطمئن شوید که قسمت 1 آزمایشگاه را برای تکمیل این کار تکمیل کرده اید.

4. ایجاد عامل

معرفی Agent Builder

Agent Builder یک ابزار قدرتمند و کم‌کد است که به ما این امکان را می‌دهد تا عوامل مکالمه را سریع و کارآمد ایجاد کنیم. این فرآیند طراحی جریان های گفتگو، ادغام پایگاه های دانش و اتصال به API های خارجی را ساده می کند. در مورد ما، از Agent Builder برای اتصال یکپارچه با نقطه پایانی Cloud Function که در قسمت 1 ساخته‌ایم، استفاده می‌کنیم، و به دستیار خرید ما امکان می‌دهد به پایگاه دانش خرده‌فروشی ما دسترسی داشته باشد و به سؤالات مشتریان به طور هوشمند پاسخ دهد.

ساخت عامل

بیایید با ایجاد این عامل جدید برای پاسخ به سوالات کاربران برای محصولات پوشاک شروع کنیم.

1. با ورود به پلتفرم Agent Builder شروع کنید. اگر از شما خواست که API را فعال کنید، ادامه دهید و روی Continue AND ACTIVE THE API کلیک کنید.
2. روی «ایجاد برنامه» کلیک کنید و به نماینده خود یک نام توصیفی بدهید (به عنوان مثال، «دستیار خرید خرده‌فروشی»).
3. نوع برنامه "عامل" را کلیک کنید.

4. . به نماینده خود یک نام توصیفی مانند "دستیار خرید خرده فروشی" بدهید و منطقه را به عنوان us-central1 تنظیم کنید

5. مشخصات نماینده را وارد کنید:
6. نام نماینده را به "نماینده خرید خرده فروشی" تغییر دهید.
7. "هدف" زیر را اضافه کنید:

You are a shopping assistant agent! Your job is to help the customer search for their ideal apparels, allow them to add items to their cart, remove items from their cart, and review items in their cart. Once a user is done searching, open the search results in a user friendly html page.

3. آن را در این مرحله ذخیره کنید و دستورالعمل ها را فعلا خالی بگذارید.
4. سپس از منوی ناوبری روی Tools کلیک کنید و روی CREATE کلیک کنید.

نام ابزار را وارد کنید: ابزار خرید خرده فروشی

توضیحات ابزار را وارد کنید:

This tool refers to the dataset in the backend as the context information for product inventory. It takes as input the user's search text summarized by the agent and matches with the most appropriate list of items and returns as an array of items.

Schema — OpenAPI در قالب YAML را وارد کنید:

این قسمتی است که در آن از نقطه پایانی backend برای تامین انرژی عامل استفاده می کنیم. مشخصات OpenAPI زیر را کپی کنید و مکان‌نمای URL (که در پرانتزهای زاویه قرار دارد) را با نقطه پایانی Cloud Function خود جایگزین کنید :

openapi: 3.0.0
info:
 title: AlloyDB Product Matcher
 description: A Cloud Function to query AlloyDB for product matches based on user search text.
 version: 1.0.0
servers:
 - url: <<https://us-central1-YOUR_PROJECT_ID.cloudfunctions.net/alloy-gem>>
paths:
 /:
   post:
     summary: Find matching products based on search text.
     operationId: apparelSearch
     requestBody:
       description: JSON object containing the search text.
       required: true
       content:
         application/json:
           schema:
             type: object
             properties:
               search:
                 type: string
                 description: The user's search query for product matching.
     responses:
       '200':
         description: Successful response with a JSON array of matching products.
         content:
           application/json:
             schema:
               type: array
               items:
                 type: object
                 properties:
                   id:
                     type: string
                     description: Product ID.
                   category:
                     type: string
                     description: Product category.
                   sub_category:
                     type: string
                     description: Product sub-category.
                   uri:
                     type: string
                     description: Product URI or URL.
                   description:
                     type: string
                     description: Product description.
                   literature:
                     type: object
                     description: JSON object containing match information from the ML model.
                     properties:
                       MATCH:
                         type: string
                         description: Whether the product matches the search query (YES/NO).
                       PERCENTAGE:
                         type: string
                         description: Percentage of match.
                       DIFFERENCE:
                         type: string
                         description: Description of differences between the search and product.
       '500':
         description: Internal server error.

تنظیمات دیگر را به مقادیر پیش فرض خود رها کرده و روی «ذخیره» کلیک کنید.

7. در این مرحله به Agent برگردید زیرا می‌خواهیم پیکربندی «ابزار» را به «دستورالعمل‌های» عامل اضافه کنیم. موارد زیر را به مکان‌بان دستورالعمل‌ها اضافه کنید (به یاد داشته باشید که تورفتگی‌ها در تعریف جریان مهم هستند):

- Greet the user and answer their question to the best of your knowledge.
- Summarize the user's request and ask them to confirm that you understood correctly.
   - Check if the request has details like gender, color, material, style and other key apparel details already.
   - If not, seek clarifying details.
   - If the search request is very broad, then ask the user to narrow down the request with specific details that you believe could be personal preferences.
   - Once all the necessary details are met, summarize your final understanding of the request with the user.
- Use ${TOOL: Retail Shopping Tool} to help the user with their task.
- If the request has unrelated input text, gracefully convey that you don't have information on that topic.
- Do not give product availability information outside the source that is provided to you in ${TOOL: Retail Shopping Tool}.
- Do not assist with any information unless you are certain that you know the answer and it is grounded in the source of truth.
- Thank the user for their business and say goodbye.

مطمئن شوید که ابزار "Retail Shopping Tool" در قسمت "Available Tools" انتخاب شده باشد و سپس دوباره عامل را ذخیره کنید.

5. عامل را تست کنید

در قسمت سمت راست، باید بخش Preview Agent را ببینید که به شما امکان می دهد نماینده خود را آزمایش کنید.

همانطور که در اسکرین شات زیر می بینید، من به عنوان یک کاربر سلام کرده ام و چت خود را با درخواست پیراهن سفید با طرح های آبی شروع کرده ام:

این پاسخ JSON است:

این نتیجه JSON خام از تابع Cloud است که جستجوی مشابهت AlloyDB را پردازش می کند. همین! ما اکنون با نماینده آماده هستیم.

6. نمونه جریان مکالمه

در این مرحله، می توانید جریان عامل گفتگو (مکالمه) خود را آزمایش و تکرار کنید:

User: I'm looking for women's boots for winter. 

Agent: (OpenAPI call to Cloud Function that works with AlloyDB Similarity Search) 

Cloud Function: (Processes query, returns JSON array) 

Agent: Based on your preferences, here are some options: [Product 1, Product 2, Product 3]. Would you like to see more details about any of these?

User: No, That is all. Bye!

Agent: Have a good day!

چند دستور شات

حال فرض کنید می‌خواهید نتیجه را در عامل مکالمه در قالب گرافیکی خاصی از جمله تصاویر و پیوندها ببینید. ما این کار را با استفاده از نمونه‌هایی از مکالمه‌ها که به عنوان درخواست چند عکس نیز شناخته می‌شوند، انجام خواهیم داد.

این بدان معناست که ما می خواهیم چند مثال به سازنده عامل اضافه کنیم تا یک فرمت نتیجه ثابت داشته باشیم.

در یکی از اسکرین شات های قبلی ما در بخش " تست نماینده "، ما پاسخ نماینده را به صورت "می بینم. شما به دنبال یک پیراهن سفید با طرح های آبی می گردید..." می بینیم. به آن پاسخ بروید یا یک مکالمه آزمایشی جدید از قسمت سمت راست عامل ایجاد کنید:

1. عبارت زیر را در بخش «ورودی کاربر وارد کنید» تایپ کنید:

پاسخی مانند این خواهید دید:

و همچنین آرایه JSON را خواهید دید که توسط نقطه پایانی API بازگردانده شده است.

2. اکنون روی نام نماینده (همانطور که در تصویر زیر مشخص شده با علامت تیک قرمز مشخص شده است) از حاشیه قسمت پیش‌نمایش کلیک کنید و تمام برگه‌های شما در بخش پیش‌نمایش چت برجسته می‌شوند. اکنون روی "ذخیره مثال" در گوشه بالا سمت راست در قسمت پیش نمایش کلیک کنید. به این صورت خواهد بود:

3. مکالمه را با نام نمایشی «پاسخ با تصاویر» یا چیزی مشابه ذخیره کنید و روی «ایجاد» کلیک کنید.
4. حالا به تب پاسخ که با علامت تیک سیاه در تصویر بالا مشخص شده است بروید و به جای متن "می بینم. شما به دنبال صندل زرد هستید. درست است؟" با موارد زیر:

I see you are looking for yellow sandals. Here are a few options for you:
<!DOCTYPE html>
<html>
<body>

<h2>Featured Sandals</h2>

<table style="overflow-x: auto; white-space: nowrap;">
    <tr>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/d27dbd8e9666b9af2d72fbfde315f76d_images.jpg" alt="Yellow sandals from Estd. 1977" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/b7a479fe5f56457e930541a789c5df68_images.jpg" alt="Yellow sandals from Gliders" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/b6c813734b29b89d1055fd000ea50743_images.jpg" alt="Yellow sandals from Rocia" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/ee0e918c229e76e0e7e61712e9d2ecb3_images.jpg" alt="Yellow flip flops from Numero Uno" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/5bdd4c9e739205e28ee134ff7849bc60_images.jpg" alt="Yellow flip flops from Numero Uno" width="300">
        </td>
    </tr>
</table>

</body>
</html>

5. روی "ذخیره" در بالا کلیک کنید.

این فرآیند را برای مثال‌هایی که می‌خواهید با تغییرات و جریان‌های مختلف مکالمه تکرار کنید.

اکنون ادامه دهید و آن را با ورودی کاربر آزمایش کنید:

برخی از انواع دیگر پاسخ ها:

همین است. ما با موفقیت یک عامل مکالمه را برای برنامه خرده فروشی خود ایجاد و آزمایش کرده ایم.

7. استقرار و ادغام

هنگامی که از عامل خود راضی شدید، می توانید به راحتی آن را با استفاده از ادغام های Agent Builder در کانال های مختلف مستقر کنید. می‌توانید آن را در وب‌سایت خود جاسازی کنید، آن را با پلتفرم‌های پیام‌رسان محبوب ادغام کنید یا حتی یک برنامه اختصاصی موبایل ایجاد کنید. همچنین می‌توانیم از Agent Builder API مستقیماً در برنامه‌های کلاینت وب خود استفاده کنیم که در این وبلاگ به آن پرداخته‌ایم.

8. پاکسازی کنید

برای جلوگیری از تحمیل هزینه به حساب Google Cloud خود برای منابع استفاده شده در این پست، این مراحل را دنبال کنید:

1. در کنسول Google Cloud، به مدیریت بروید
2. صفحه منابع
3. در لیست پروژه، پروژه ای را که می خواهید حذف کنید انتخاب کنید و سپس روی Delete کلیک کنید.
4. در محاوره، شناسه پروژه را تایپ کنید و سپس روی Shut down کلیک کنید تا پروژه حذف شود.

9. تبریک می گویم

تبریک می گویم! با ادغام قدرت موتور تجزیه و تحلیل سفارشی ما با رابط بصری Agent Builder، ما یک دستیار خرید خرده فروشی هوشمند ایجاد کرده ایم که تجربیات شخصی را ارائه می دهد، به سؤالات دقیق پاسخ می دهد و در نهایت رضایت مشتری و فروش را افزایش می دهد. با ترکیب قابلیت‌های AlloyDB ، Vertex AI ، و Vector Search ، ما جهشی بزرگ در ایجاد جستجوهای متنی و برداری در دسترس، کارآمد، واقعاً معنادار و عاملی انجام داده‌ایم!

1. بررسی اجمالی

در چشم انداز خرده فروشی پرشتاب امروزی، ارائه خدمات استثنایی به مشتریان و در عین حال امکان تجربه خرید شخصی سازی شده بسیار مهم است. ما شما را به یک سفر فنی از طریق ایجاد یک برنامه چت مبتنی بر دانش می بریم که برای پاسخ به سؤالات مشتری، راهنمای کشف محصول و تنظیم نتایج جستجو طراحی شده است. این راه حل نوآورانه قدرت AlloyDB برای ذخیره سازی داده ها، یک موتور تجزیه و تحلیل داخلی برای درک زمینه، Gemini (مدل زبان بزرگ) برای اعتبارسنجی ارتباط و Agent Builder Google برای راه اندازی سریع یک دستیار مکالمه هوشمند را ترکیب می کند.

چالش: مشتریان خرده‌فروشی مدرن انتظار پاسخ‌های فوری و توصیه‌های محصولی را دارند که با ترجیحات منحصربه‌فرد آنها هماهنگ باشد. روش های جستجوی سنتی اغلب در ارائه این سطح از شخصی سازی کوتاهی می کنند.

راه حل: برنامه چت مبتنی بر دانش ما با این چالش مقابله می کند. این یک پایگاه دانش غنی حاصل از داده‌های خرده‌فروشی شما را برای درک مقصود مشتری، پاسخ هوشمندانه و ارائه نتایج بسیار مرتبط به کار می‌گیرد.

چیزی که خواهی ساخت

به عنوان بخشی از این آزمایشگاه (قسمت 2)، شما:

1. یک عامل Vertex AI Agent Builder بسازید
2. ابزار AlloyDB را با عامل ادغام کنید

الزامات

• مرورگری مانند کروم یا فایرفاکس
• یک پروژه Google Cloud با فعال کردن صورت‌حساب.

2. معماری

جریان داده: بیایید نگاهی دقیق تر به نحوه حرکت داده ها در سیستم خود بیندازیم:

بلع :

داده های خرده فروشی (موجودی، توضیحات محصول، تعامل با مشتری) به طور مداوم در AlloyDB بارگذاری می شود.

موتور تجزیه و تحلیل:

ما از AlloyDB به عنوان موتور تجزیه و تحلیل برای انجام موارد زیر استفاده خواهیم کرد:

1. استخراج زمینه: موتور داده‌های ذخیره‌شده در AlloyDB را برای درک روابط بین محصولات، دسته‌ها، رفتار مشتری و غیره تجزیه و تحلیل می‌کند.
2. ایجاد جاسازی: جاسازی ها (نمایش های ریاضی متن) هم برای درخواست کاربر و هم برای اطلاعات ذخیره شده در AlloyDB ایجاد می شوند.
3. جستجوی برداری: موتور جستجوی مشابهی را انجام می‌دهد و جاسازی پرس و جو را با تعبیه‌های توضیحات محصول، بررسی‌ها و سایر داده‌های مرتبط مقایسه می‌کند. این 25 مرتبط ترین "نزدیک ترین همسایه" را شناسایی می کند.

اعتبار سنجی جوزا:

این پاسخ های بالقوه برای ارزیابی به Gemini ارسال می شود. Gemini تعیین می کند که آیا آنها واقعاً مرتبط و ایمن هستند تا با کاربر به اشتراک بگذارند.

تولید پاسخ:

پاسخ های تایید شده در یک آرایه JSON ساختار یافته و کل موتور در یک تابع اجرای ابری بدون سرور بسته بندی می شود که از Agent Builder فراخوانی می شود.

مراحل فوق قبلاً در بخش 1 آزمایشگاه پوشش داده شده است.

ما در مورد جزئیات فنی ایجاد یک موتور تجزیه و تحلیل دانش محور که به دستیار خرید هوشمند ما قدرت می دهد، بحث کردیم. اکنون، بیایید بررسی کنیم که چگونه از جادوی Agent Builder برای زنده کردن این موتور در یک رابط مکالمه استفاده می کنیم. مطمئن شوید که URL نقطه پایانی را قبل از شروع قسمت 2 آماده کرده اید. این مرحله بعدی همان چیزی است که در این آزمایشگاه پوشش می دهیم:

تعامل مکالمه:

Agent Builder پاسخ ها را در قالب زبان طبیعی به کاربر ارائه می دهد و گفتگوی رفت و برگشت را تسهیل می کند.

3. قبل از شروع

یک پروژه ایجاد کنید

1. در Google Cloud Console ، در صفحه انتخاب پروژه، یک پروژه Google Cloud را انتخاب یا ایجاد کنید.
2. مطمئن شوید که صورتحساب برای پروژه Cloud شما فعال است. با نحوه بررسی فعال بودن صورت‌حساب در پروژه آشنا شوید.
3. شما از Cloud Shell استفاده خواهید کرد، یک محیط خط فرمان در حال اجرا در Google Cloud که با bq از قبل بارگذاری شده است. روی Activate Cloud Shell در بالای کنسول Google Cloud کلیک کنید.

4. پس از اتصال به Cloud Shell، با استفاده از دستور زیر بررسی می‌کنید که قبلاً احراز هویت شده‌اید و پروژه به ID پروژه شما تنظیم شده است:

gcloud auth list

5. دستور زیر را در Cloud Shell اجرا کنید تا تأیید کنید که دستور gcloud از پروژه شما اطلاع دارد.

gcloud config list project

6. اگر پروژه شما تنظیم نشده است، از دستور زیر برای تنظیم آن استفاده کنید:

gcloud config set project <YOUR_PROJECT_ID>

7. API های مورد نیاز را فعال کنید. جایگزین دستور gcloud از طریق کنسول با جستجوی هر محصول یا استفاده از این پیوند است.

اگر هر یک از API از دست رفته است، همیشه می توانید آن را در طول پیاده سازی فعال کنید.

برای دستورات و استفاده از gcloud به اسناد مراجعه کنید.

نکته مهم: همچنین مطمئن شوید که قسمت 1 آزمایشگاه را برای تکمیل این کار تکمیل کرده اید.

4. ایجاد عامل

معرفی Agent Builder

Agent Builder یک ابزار قدرتمند و کم‌کد است که به ما این امکان را می‌دهد تا عوامل مکالمه را سریع و کارآمد ایجاد کنیم. این فرآیند طراحی جریان های گفتگو، ادغام پایگاه های دانش و اتصال به API های خارجی را ساده می کند. در مورد ما، از Agent Builder برای اتصال یکپارچه با نقطه پایانی Cloud Function که در قسمت 1 ساخته‌ایم، استفاده می‌کنیم، و به دستیار خرید ما امکان می‌دهد به پایگاه دانش خرده‌فروشی ما دسترسی داشته باشد و به سؤالات مشتریان به طور هوشمند پاسخ دهد.

ساخت عامل

بیایید با ایجاد این عامل جدید برای پاسخ به سوالات کاربران برای محصولات پوشاک شروع کنیم.

1. با ورود به پلتفرم Agent Builder شروع کنید. اگر از شما خواست که API را فعال کنید، ادامه دهید و روی Continue AND ACTIVE THE API کلیک کنید.
2. روی «ایجاد برنامه» کلیک کنید و به نماینده خود یک نام توصیفی بدهید (به عنوان مثال، «دستیار خرید خرده‌فروشی»).
3. نوع برنامه "عامل" را کلیک کنید.

4. . به نماینده خود یک نام توصیفی مانند "دستیار خرید خرده فروشی" بدهید و منطقه را به عنوان us-central1 تنظیم کنید

5. مشخصات نماینده را وارد کنید:
6. نام نماینده را به "نماینده خرید خرده فروشی" تغییر دهید.
7. "هدف" زیر را اضافه کنید:

You are a shopping assistant agent! Your job is to help the customer search for their ideal apparels, allow them to add items to their cart, remove items from their cart, and review items in their cart. Once a user is done searching, open the search results in a user friendly html page.

3. آن را در این مرحله ذخیره کنید و دستورالعمل ها را فعلا خالی بگذارید.
4. سپس از منوی ناوبری روی Tools کلیک کنید و روی CREATE کلیک کنید.

نام ابزار را وارد کنید: ابزار خرید خرده فروشی

توضیحات ابزار را وارد کنید:

This tool refers to the dataset in the backend as the context information for product inventory. It takes as input the user's search text summarized by the agent and matches with the most appropriate list of items and returns as an array of items.

Schema — OpenAPI در قالب YAML را وارد کنید:

این قسمتی است که در آن از نقطه پایانی backend برای تامین انرژی عامل استفاده می کنیم. مشخصات OpenAPI زیر را کپی کنید و مکان‌نمای URL (که در پرانتزهای زاویه قرار دارد) را با نقطه پایانی Cloud Function خود جایگزین کنید :

openapi: 3.0.0
info:
 title: AlloyDB Product Matcher
 description: A Cloud Function to query AlloyDB for product matches based on user search text.
 version: 1.0.0
servers:
 - url: <<https://us-central1-YOUR_PROJECT_ID.cloudfunctions.net/alloy-gem>>
paths:
 /:
   post:
     summary: Find matching products based on search text.
     operationId: apparelSearch
     requestBody:
       description: JSON object containing the search text.
       required: true
       content:
         application/json:
           schema:
             type: object
             properties:
               search:
                 type: string
                 description: The user's search query for product matching.
     responses:
       '200':
         description: Successful response with a JSON array of matching products.
         content:
           application/json:
             schema:
               type: array
               items:
                 type: object
                 properties:
                   id:
                     type: string
                     description: Product ID.
                   category:
                     type: string
                     description: Product category.
                   sub_category:
                     type: string
                     description: Product sub-category.
                   uri:
                     type: string
                     description: Product URI or URL.
                   description:
                     type: string
                     description: Product description.
                   literature:
                     type: object
                     description: JSON object containing match information from the ML model.
                     properties:
                       MATCH:
                         type: string
                         description: Whether the product matches the search query (YES/NO).
                       PERCENTAGE:
                         type: string
                         description: Percentage of match.
                       DIFFERENCE:
                         type: string
                         description: Description of differences between the search and product.
       '500':
         description: Internal server error.

تنظیمات دیگر را به مقادیر پیش فرض خود رها کرده و روی «ذخیره» کلیک کنید.

7. در این مرحله به Agent برگردید زیرا می‌خواهیم پیکربندی «ابزار» را به «دستورالعمل‌های» عامل اضافه کنیم. موارد زیر را به مکان‌بان دستورالعمل‌ها اضافه کنید (به یاد داشته باشید که تورفتگی‌ها در تعریف جریان مهم هستند):

- Greet the user and answer their question to the best of your knowledge.
- Summarize the user's request and ask them to confirm that you understood correctly.
   - Check if the request has details like gender, color, material, style and other key apparel details already.
   - If not, seek clarifying details.
   - If the search request is very broad, then ask the user to narrow down the request with specific details that you believe could be personal preferences.
   - Once all the necessary details are met, summarize your final understanding of the request with the user.
- Use ${TOOL: Retail Shopping Tool} to help the user with their task.
- If the request has unrelated input text, gracefully convey that you don't have information on that topic.
- Do not give product availability information outside the source that is provided to you in ${TOOL: Retail Shopping Tool}.
- Do not assist with any information unless you are certain that you know the answer and it is grounded in the source of truth.
- Thank the user for their business and say goodbye.

مطمئن شوید که ابزار "Retail Shopping Tool" در قسمت "Available Tools" انتخاب شده باشد و سپس دوباره عامل را ذخیره کنید.

5. عامل را تست کنید

در قسمت سمت راست، باید بخش Preview Agent را ببینید که به شما امکان می دهد نماینده خود را آزمایش کنید.

همانطور که در اسکرین شات زیر می بینید، من به عنوان یک کاربر سلام کرده ام و چت خود را با درخواست پیراهن سفید با طرح های آبی شروع کرده ام:

این پاسخ JSON است:

این نتیجه JSON خام از تابع Cloud است که جستجوی مشابهت AlloyDB را پردازش می کند. همین! ما اکنون با نماینده آماده هستیم.

6. نمونه جریان مکالمه

در این مرحله، می توانید جریان عامل گفتگو (مکالمه) خود را آزمایش و تکرار کنید:

User: I'm looking for women's boots for winter. 

Agent: (OpenAPI call to Cloud Function that works with AlloyDB Similarity Search) 

Cloud Function: (Processes query, returns JSON array) 

Agent: Based on your preferences, here are some options: [Product 1, Product 2, Product 3]. Would you like to see more details about any of these?

User: No, That is all. Bye!

Agent: Have a good day!

چند دستور شات

حال فرض کنید می‌خواهید نتیجه را در عامل مکالمه در قالب گرافیکی خاصی از جمله تصاویر و پیوندها ببینید. ما این کار را با استفاده از نمونه‌هایی از مکالمه‌ها که به عنوان درخواست چند عکس نیز شناخته می‌شوند، انجام خواهیم داد.

این بدان معناست که ما می خواهیم چند مثال به سازنده عامل اضافه کنیم تا یک فرمت نتیجه ثابت داشته باشیم.

در یکی از اسکرین شات های قبلی ما در بخش " تست نماینده "، ما پاسخ نماینده را به صورت "می بینم. شما به دنبال یک پیراهن سفید با طرح های آبی می گردید..." می بینیم. به آن پاسخ بروید یا یک مکالمه آزمایشی جدید از قسمت سمت راست عامل ایجاد کنید:

1. عبارت زیر را در بخش «ورودی کاربر وارد کنید» تایپ کنید:

پاسخی مانند این خواهید دید:

و همچنین آرایه JSON را خواهید دید که توسط نقطه پایانی API بازگردانده شده است.

2. اکنون روی نام نماینده (همانطور که در تصویر زیر مشخص شده با علامت تیک قرمز مشخص شده است) از حاشیه قسمت پیش‌نمایش کلیک کنید و تمام برگه‌های شما در بخش پیش‌نمایش چت برجسته می‌شوند. اکنون روی "ذخیره مثال" در گوشه بالا سمت راست در قسمت پیش نمایش کلیک کنید. به این صورت خواهد بود:

3. مکالمه را با نام نمایشی «پاسخ با تصاویر» یا چیزی مشابه ذخیره کنید و روی «ایجاد» کلیک کنید.
4. حالا به تب پاسخ که با علامت تیک سیاه در تصویر بالا مشخص شده است بروید و به جای متن "می بینم. شما به دنبال صندل زرد هستید. درست است؟" با موارد زیر:

I see you are looking for yellow sandals. Here are a few options for you:
<!DOCTYPE html>
<html>
<body>

<h2>Featured Sandals</h2>

<table style="overflow-x: auto; white-space: nowrap;">
    <tr>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/d27dbd8e9666b9af2d72fbfde315f76d_images.jpg" alt="Yellow sandals from Estd. 1977" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/b7a479fe5f56457e930541a789c5df68_images.jpg" alt="Yellow sandals from Gliders" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/b6c813734b29b89d1055fd000ea50743_images.jpg" alt="Yellow sandals from Rocia" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/ee0e918c229e76e0e7e61712e9d2ecb3_images.jpg" alt="Yellow flip flops from Numero Uno" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/5bdd4c9e739205e28ee134ff7849bc60_images.jpg" alt="Yellow flip flops from Numero Uno" width="300">
        </td>
    </tr>
</table>

</body>
</html>

5. روی "ذخیره" در بالا کلیک کنید.

این فرآیند را برای مثال‌هایی که می‌خواهید با تغییرات و جریان‌های مختلف مکالمه تکرار کنید.

اکنون ادامه دهید و آن را با ورودی کاربر آزمایش کنید:

برخی از انواع دیگر پاسخ ها:

همین است. ما با موفقیت یک عامل مکالمه را برای برنامه خرده فروشی خود ایجاد و آزمایش کرده ایم.

7. استقرار و ادغام

هنگامی که از عامل خود راضی شدید، می توانید به راحتی آن را با استفاده از ادغام های Agent Builder در کانال های مختلف مستقر کنید. می‌توانید آن را در وب‌سایت خود جاسازی کنید، آن را با پلتفرم‌های پیام‌رسان محبوب ادغام کنید یا حتی یک برنامه اختصاصی موبایل ایجاد کنید. همچنین می‌توانیم از Agent Builder API مستقیماً در برنامه‌های کلاینت وب خود استفاده کنیم که در این وبلاگ به آن پرداخته‌ایم.

8. پاکسازی کنید

برای جلوگیری از تحمیل هزینه به حساب Google Cloud خود برای منابع استفاده شده در این پست، این مراحل را دنبال کنید:

1. در کنسول Google Cloud، به مدیریت بروید
2. صفحه منابع
3. در لیست پروژه، پروژه ای را که می خواهید حذف کنید انتخاب کنید و سپس روی Delete کلیک کنید.
4. در محاوره، شناسه پروژه را تایپ کنید و سپس روی Shut down کلیک کنید تا پروژه حذف شود.

9. تبریک می گویم

تبریک می گویم! با ادغام قدرت موتور تجزیه و تحلیل سفارشی ما با رابط بصری Agent Builder، ما یک دستیار خرید خرده فروشی هوشمند ایجاد کرده ایم که تجربیات شخصی را ارائه می دهد، به سؤالات دقیق پاسخ می دهد و در نهایت رضایت مشتری و فروش را افزایش می دهد. با ترکیب قابلیت‌های AlloyDB ، Vertex AI ، و Vector Search ، ما جهشی بزرگ در ایجاد جستجوهای متنی و برداری در دسترس، کارآمد، واقعاً معنادار و عاملی انجام داده‌ایم!

1. بررسی اجمالی

در چشم انداز خرده فروشی پرشتاب امروزی، ارائه خدمات استثنایی به مشتریان و در عین حال امکان تجربه خرید شخصی سازی شده بسیار مهم است. ما شما را به یک سفر فنی از طریق ایجاد یک برنامه چت مبتنی بر دانش می بریم که برای پاسخ به سؤالات مشتری، راهنمای کشف محصول و تنظیم نتایج جستجو طراحی شده است. این راه حل نوآورانه قدرت AlloyDB برای ذخیره سازی داده ها، یک موتور تجزیه و تحلیل داخلی برای درک زمینه، Gemini (مدل زبان بزرگ) برای اعتبارسنجی ارتباط و Agent Builder Google برای راه اندازی سریع یک دستیار مکالمه هوشمند را ترکیب می کند.

چالش: مشتریان خرده‌فروشی مدرن انتظار پاسخ‌های فوری و توصیه‌های محصولی را دارند که با ترجیحات منحصربه‌فرد آنها هماهنگ باشد. روش های جستجوی سنتی اغلب در ارائه این سطح از شخصی سازی کوتاهی می کنند.

راه حل: برنامه چت مبتنی بر دانش ما با این چالش مقابله می کند. این یک پایگاه دانش غنی حاصل از داده‌های خرده‌فروشی شما را برای درک مقصود مشتری، پاسخ هوشمندانه و ارائه نتایج بسیار مرتبط به کار می‌گیرد.

چیزی که خواهی ساخت

به عنوان بخشی از این آزمایشگاه (قسمت 2)، شما:

1. یک عامل Vertex AI Agent Builder بسازید
2. ابزار AlloyDB را با عامل ادغام کنید

الزامات

• مرورگری مانند کروم یا فایرفاکس
• یک پروژه Google Cloud با فعال کردن صورت‌حساب.

2. معماری

جریان داده: بیایید نگاهی دقیق تر به نحوه حرکت داده ها در سیستم خود بیندازیم:

بلع :

داده های خرده فروشی (موجودی، توضیحات محصول، تعامل با مشتری) به طور مداوم در AlloyDB بارگذاری می شود.

موتور تجزیه و تحلیل:

ما از AlloyDB به عنوان موتور تجزیه و تحلیل برای انجام موارد زیر استفاده خواهیم کرد:

1. استخراج زمینه: موتور داده‌های ذخیره‌شده در AlloyDB را برای درک روابط بین محصولات، دسته‌ها، رفتار مشتری و غیره تجزیه و تحلیل می‌کند.
2. ایجاد جاسازی: جاسازی ها (نمایش های ریاضی متن) هم برای درخواست کاربر و هم برای اطلاعات ذخیره شده در AlloyDB ایجاد می شوند.
3. جستجوی برداری: موتور جستجوی مشابهی را انجام می‌دهد و جاسازی پرس و جو را با تعبیه‌های توضیحات محصول، بررسی‌ها و سایر داده‌های مرتبط مقایسه می‌کند. این 25 مرتبط ترین "نزدیک ترین همسایه" را شناسایی می کند.

اعتبار سنجی جوزا:

این پاسخ های بالقوه برای ارزیابی به Gemini ارسال می شود. Gemini تعیین می کند که آیا آنها واقعاً مرتبط و ایمن هستند تا با کاربر به اشتراک بگذارند.

تولید پاسخ:

پاسخ های تایید شده در یک آرایه JSON ساختار یافته و کل موتور در یک تابع اجرای ابری بدون سرور بسته بندی می شود که از Agent Builder فراخوانی می شود.

مراحل فوق قبلاً در بخش 1 آزمایشگاه پوشش داده شده است.

ما در مورد جزئیات فنی ایجاد یک موتور تجزیه و تحلیل دانش محور که به دستیار خرید هوشمند ما قدرت می دهد، بحث کردیم. اکنون، بیایید بررسی کنیم که چگونه از جادوی Agent Builder برای زنده کردن این موتور در یک رابط مکالمه استفاده می کنیم. مطمئن شوید که URL نقطه پایانی را قبل از شروع قسمت 2 آماده کرده اید. این مرحله بعدی همان چیزی است که در این آزمایشگاه پوشش می دهیم:

تعامل مکالمه:

Agent Builder پاسخ ها را در قالب زبان طبیعی به کاربر ارائه می دهد و گفتگوی رفت و برگشت را تسهیل می کند.

3. قبل از شروع

یک پروژه ایجاد کنید

1. در Google Cloud Console ، در صفحه انتخاب پروژه، یک پروژه Google Cloud را انتخاب یا ایجاد کنید.
2. مطمئن شوید که صورتحساب برای پروژه Cloud شما فعال است. با نحوه بررسی فعال بودن صورت‌حساب در پروژه آشنا شوید.
3. شما از Cloud Shell استفاده خواهید کرد، یک محیط خط فرمان در حال اجرا در Google Cloud که با bq از قبل بارگذاری شده است. روی Activate Cloud Shell در بالای کنسول Google Cloud کلیک کنید.

4. پس از اتصال به Cloud Shell، با استفاده از دستور زیر بررسی می‌کنید که قبلاً احراز هویت شده‌اید و پروژه به ID پروژه شما تنظیم شده است:

gcloud auth list

5. دستور زیر را در Cloud Shell اجرا کنید تا تأیید کنید که دستور gcloud از پروژه شما اطلاع دارد.

gcloud config list project

6. اگر پروژه شما تنظیم نشده است، از دستور زیر برای تنظیم آن استفاده کنید:

gcloud config set project <YOUR_PROJECT_ID>

7. API های مورد نیاز را فعال کنید. جایگزین دستور gcloud از طریق کنسول با جستجوی هر محصول یا استفاده از این پیوند است.

اگر هر یک از API از دست رفته است، همیشه می توانید آن را در طول پیاده سازی فعال کنید.

برای دستورات و استفاده از gcloud به اسناد مراجعه کنید.

نکته مهم: همچنین مطمئن شوید که قسمت 1 آزمایشگاه را برای تکمیل این کار تکمیل کرده اید.

4. ایجاد عامل

معرفی Agent Builder

Agent Builder یک ابزار قدرتمند و کم‌کد است که به ما این امکان را می‌دهد تا عوامل مکالمه را سریع و کارآمد ایجاد کنیم. این فرآیند طراحی جریان های گفتگو، ادغام پایگاه های دانش و اتصال به API های خارجی را ساده می کند. در مورد ما، از Agent Builder برای اتصال یکپارچه با نقطه پایانی Cloud Function که در قسمت 1 ساخته‌ایم، استفاده می‌کنیم، و به دستیار خرید ما امکان می‌دهد به پایگاه دانش خرده‌فروشی ما دسترسی داشته باشد و به سؤالات مشتریان به طور هوشمند پاسخ دهد.

ساخت عامل

بیایید با ایجاد این عامل جدید برای پاسخ به سوالات کاربران برای محصولات پوشاک شروع کنیم.

1. با ورود به پلتفرم Agent Builder شروع کنید. اگر از شما خواست که API را فعال کنید، ادامه دهید و روی Continue AND ACTIVE THE API کلیک کنید.
2. روی «ایجاد برنامه» کلیک کنید و به نماینده خود یک نام توصیفی بدهید (به عنوان مثال، «دستیار خرید خرده‌فروشی»).
3. نوع برنامه "عامل" را کلیک کنید.

4. . به نماینده خود یک نام توصیفی مانند "دستیار خرید خرده فروشی" بدهید و منطقه را به عنوان us-central1 تنظیم کنید

5. مشخصات نماینده را وارد کنید:
6. نام نماینده را به "نماینده خرید خرده فروشی" تغییر دهید.
7. "هدف" زیر را اضافه کنید:

You are a shopping assistant agent! Your job is to help the customer search for their ideal apparels, allow them to add items to their cart, remove items from their cart, and review items in their cart. Once a user is done searching, open the search results in a user friendly html page.

3. آن را در این مرحله ذخیره کنید و دستورالعمل ها را فعلا خالی بگذارید.
4. سپس از منوی ناوبری روی Tools کلیک کنید و روی CREATE کلیک کنید.

نام ابزار را وارد کنید: ابزار خرید خرده فروشی

توضیحات ابزار را وارد کنید:

This tool refers to the dataset in the backend as the context information for product inventory. It takes as input the user's search text summarized by the agent and matches with the most appropriate list of items and returns as an array of items.

Schema — OpenAPI در قالب YAML را وارد کنید:

این قسمتی است که در آن از نقطه پایانی backend برای تامین انرژی عامل استفاده می کنیم. مشخصات OpenAPI زیر را کپی کنید و مکان‌نمای URL (که در پرانتزهای زاویه قرار دارد) را با نقطه پایانی Cloud Function خود جایگزین کنید :

openapi: 3.0.0
info:
 title: AlloyDB Product Matcher
 description: A Cloud Function to query AlloyDB for product matches based on user search text.
 version: 1.0.0
servers:
 - url: <<https://us-central1-YOUR_PROJECT_ID.cloudfunctions.net/alloy-gem>>
paths:
 /:
   post:
     summary: Find matching products based on search text.
     operationId: apparelSearch
     requestBody:
       description: JSON object containing the search text.
       required: true
       content:
         application/json:
           schema:
             type: object
             properties:
               search:
                 type: string
                 description: The user's search query for product matching.
     responses:
       '200':
         description: Successful response with a JSON array of matching products.
         content:
           application/json:
             schema:
               type: array
               items:
                 type: object
                 properties:
                   id:
                     type: string
                     description: Product ID.
                   category:
                     type: string
                     description: Product category.
                   sub_category:
                     type: string
                     description: Product sub-category.
                   uri:
                     type: string
                     description: Product URI or URL.
                   description:
                     type: string
                     description: Product description.
                   literature:
                     type: object
                     description: JSON object containing match information from the ML model.
                     properties:
                       MATCH:
                         type: string
                         description: Whether the product matches the search query (YES/NO).
                       PERCENTAGE:
                         type: string
                         description: Percentage of match.
                       DIFFERENCE:
                         type: string
                         description: Description of differences between the search and product.
       '500':
         description: Internal server error.

تنظیمات دیگر را به مقادیر پیش فرض خود رها کرده و روی «ذخیره» کلیک کنید.

7. در این مرحله به Agent برگردید زیرا می‌خواهیم پیکربندی «ابزار» را به «دستورالعمل‌های» عامل اضافه کنیم. موارد زیر را به مکان‌بان دستورالعمل‌ها اضافه کنید (به یاد داشته باشید که تورفتگی‌ها در تعریف جریان مهم هستند):

- Greet the user and answer their question to the best of your knowledge.
- Summarize the user's request and ask them to confirm that you understood correctly.
   - Check if the request has details like gender, color, material, style and other key apparel details already.
   - If not, seek clarifying details.
   - If the search request is very broad, then ask the user to narrow down the request with specific details that you believe could be personal preferences.
   - Once all the necessary details are met, summarize your final understanding of the request with the user.
- Use ${TOOL: Retail Shopping Tool} to help the user with their task.
- If the request has unrelated input text, gracefully convey that you don't have information on that topic.
- Do not give product availability information outside the source that is provided to you in ${TOOL: Retail Shopping Tool}.
- Do not assist with any information unless you are certain that you know the answer and it is grounded in the source of truth.
- Thank the user for their business and say goodbye.

مطمئن شوید که ابزار "Retail Shopping Tool" در قسمت "Available Tools" انتخاب شده باشد و سپس دوباره عامل را ذخیره کنید.

5. عامل را تست کنید

در قسمت سمت راست، باید بخش Preview Agent را ببینید که به شما امکان می دهد نماینده خود را آزمایش کنید.

همانطور که در اسکرین شات زیر می بینید، من به عنوان یک کاربر سلام کرده ام و چت خود را با درخواست پیراهن سفید با طرح های آبی شروع کرده ام:

این پاسخ JSON است:

این نتیجه JSON خام از تابع Cloud است که جستجوی مشابهت AlloyDB را پردازش می کند. همین! ما اکنون با نماینده آماده هستیم.

6. نمونه جریان مکالمه

در این مرحله، می توانید جریان عامل گفتگو (مکالمه) خود را آزمایش و تکرار کنید:

User: I'm looking for women's boots for winter. 

Agent: (OpenAPI call to Cloud Function that works with AlloyDB Similarity Search) 

Cloud Function: (Processes query, returns JSON array) 

Agent: Based on your preferences, here are some options: [Product 1, Product 2, Product 3]. Would you like to see more details about any of these?

User: No, That is all. Bye!

Agent: Have a good day!

چند دستور شات

حال فرض کنید می‌خواهید نتیجه را در عامل مکالمه در قالب گرافیکی خاصی از جمله تصاویر و پیوندها ببینید. ما این کار را با استفاده از نمونه‌هایی از مکالمه‌ها که به عنوان درخواست چند عکس نیز شناخته می‌شوند، انجام خواهیم داد.

این بدان معناست که ما می خواهیم چند مثال به سازنده عامل اضافه کنیم تا یک فرمت نتیجه ثابت داشته باشیم.

در یکی از اسکرین شات های قبلی ما در بخش " تست نماینده "، ما پاسخ نماینده را به صورت "می بینم. شما به دنبال یک پیراهن سفید با طرح های آبی می گردید..." می بینیم. به آن پاسخ بروید یا یک مکالمه آزمایشی جدید از قسمت سمت راست عامل ایجاد کنید:

1. عبارت زیر را در بخش «ورودی کاربر وارد کنید» تایپ کنید:

پاسخی مانند این خواهید دید:

و همچنین آرایه JSON را خواهید دید که توسط نقطه پایانی API بازگردانده شده است.

2. اکنون روی نام نماینده (همانطور که در تصویر زیر مشخص شده با علامت تیک قرمز مشخص شده است) از حاشیه قسمت پیش‌نمایش کلیک کنید و تمام برگه‌های شما در بخش پیش‌نمایش چت برجسته می‌شوند. اکنون روی "ذخیره مثال" در گوشه بالا سمت راست در قسمت پیش نمایش کلیک کنید. به این صورت خواهد بود:

3. مکالمه را با نام نمایشی «پاسخ با تصاویر» یا چیزی مشابه ذخیره کنید و روی «ایجاد» کلیک کنید.
4. حالا به تب پاسخ که با علامت تیک سیاه در تصویر بالا مشخص شده است بروید و به جای متن "می بینم. شما به دنبال صندل زرد هستید. درست است؟" با موارد زیر:

I see you are looking for yellow sandals. Here are a few options for you:
<!DOCTYPE html>
<html>
<body>

<h2>Featured Sandals</h2>

<table style="overflow-x: auto; white-space: nowrap;">
    <tr>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/d27dbd8e9666b9af2d72fbfde315f76d_images.jpg" alt="Yellow sandals from Estd. 1977" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/b7a479fe5f56457e930541a789c5df68_images.jpg" alt="Yellow sandals from Gliders" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/b6c813734b29b89d1055fd000ea50743_images.jpg" alt="Yellow sandals from Rocia" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/ee0e918c229e76e0e7e61712e9d2ecb3_images.jpg" alt="Yellow flip flops from Numero Uno" width="300">
        </td>
        <td>
            <img src="https://assets.myntassets.com/v1/images/style/properties/5bdd4c9e739205e28ee134ff7849bc60_images.jpg" alt="Yellow flip flops from Numero Uno" width="300">
        </td>
    </tr>
</table>

</body>
</html>

5. روی "ذخیره" در بالا کلیک کنید.

این فرآیند را برای مثال‌هایی که می‌خواهید با تغییرات و جریان‌های مختلف مکالمه تکرار کنید.

اکنون ادامه دهید و آن را با ورودی کاربر آزمایش کنید:

برخی از انواع دیگر پاسخ ها:

همین است. ما با موفقیت یک عامل مکالمه را برای برنامه خرده فروشی خود ایجاد و آزمایش کرده ایم.

7. استقرار و ادغام

هنگامی که از عامل خود راضی شدید، می توانید به راحتی آن را با استفاده از ادغام های Agent Builder در کانال های مختلف مستقر کنید. می توانید آن را در وب سایت خود جاسازی کنید، آن را با پلتفرم های پیام رسانی محبوب ادغام کنید یا حتی یک برنامه اختصاصی موبایل ایجاد کنید. همچنین می‌توانیم از Agent Builder API مستقیماً در برنامه‌های کلاینت وب خود استفاده کنیم که در این وبلاگ به آن پرداخته‌ایم.

8. پاکسازی کنید

برای جلوگیری از تحمیل هزینه به حساب Google Cloud خود برای منابع استفاده شده در این پست، این مراحل را دنبال کنید:

1. در کنسول Google Cloud، به مدیریت بروید
2. صفحه منابع
3. در لیست پروژه، پروژه ای را که می خواهید حذف کنید انتخاب کنید و سپس روی Delete کلیک کنید.
4. در محاوره، شناسه پروژه را تایپ کنید و سپس روی Shut down کلیک کنید تا پروژه حذف شود.

9. تبریک می گویم

تبریک می گویم! با ادغام قدرت موتور تجزیه و تحلیل سفارشی ما با رابط بصری Agent Builder، ما یک دستیار خرید خرده فروشی هوشمند ایجاد کرده ایم که تجربیات شخصی را ارائه می دهد، به سؤالات دقیق پاسخ می دهد و در نهایت رضایت مشتری و فروش را افزایش می دهد. با ترکیب قابلیت‌های AlloyDB ، Vertex AI ، و Vector Search ، ما جهشی بزرگ در ایجاد جستجوهای متنی و برداری در دسترس، کارآمد، واقعاً معنادار و عاملی انجام داده‌ایم!