這種方法實現了應用程式開發的範式轉變，因為它消除了對傳統程式語言的需求，為建立應用程式提供了直觀且可能更易於存取的方法。這種方法開創了會話應用程式的新時代，其中用戶互動和應用程式功能無縫整合在會話介面中。 一個簡單的用例（自我訓練聊天機器人） 考慮以下用例：一家公司想要創建一個具有幾個要求的新應用程式： 要求 1：接收員工的建議，以豐富現有產品說明並分析 AI進行審批（跳過人工審批步驟）以豐富產品文件。一旦獲得批准，員工的建議將被放入知識庫 (KB) 儲存庫中，從而豐富公司的知識庫。 要求 2：另一方面，同一個應用程式（對話式）將提供在使用要求 1的自然語言LLM 批准階段上傳和認證的產品中搜尋產品的特定特徵的機會。生成的由一個人。 我們不會開發經典的網路或行動應用程序，而是選擇會話應用程式（也稱為聊天機器人或人工智慧代理）。 此方法的優點： 初步知識由 斯洛維尼亞電話號碼數據 公司的官方產品文件（pdf 和網站）提供。這將為員工有關產品功能的問題提供初步答案 每個員工都可以為公司的知識庫做出貢獻，隨著時間的推移提供新訊息，這將提高知識庫始終更新的能力。 批准階段基於法學碩士，加速新內容的接納，這些新內容將立即可供資訊檢索引擎使用 可以為官方文檔產生新的更新文檔，由員工直接生成 讓我們設計自己的人工智慧代理吧！ 要求1：上傳並批准新產品建議 雖然在對話期間，很容易自動執行上傳新建議並將其插入公司知識庫的任務，但分析和批准新內容通常是人類活動。為什麼不把這個任務委託給人工智慧呢？使用 Tiledesk Visual Flow Designer，您可以建立一個 OpenAI 任務，在兩分鐘內「批准」新履歷（編寫 LLM「批准」提示所需的時間）。以下流程圖顯示如何設定 ChatGPT 操作核准區塊： 「GPT 任務」操作區塊嵌入在流程中。接收上傳的用戶建議並透過對OpenAI 的特定請求進行分析： 檢查使用者內容是否為連貫文字以更新知識庫。應該談論以下主題之一： 製造工程工具，一些示例： 管道工具 管道和管道清潔器 管道安裝 管道測試儀 管道塞 管道拆卸歧管塞 螺絲刀 [更多...和... ] 如果內容一致回答“是”，否則回答“否”要檢查的使用者內容：{{content}} ChatGPT收到建議並根據提示分析後做出回應。輸出（是或否）將用於相應地繼續執行流程。
透過簡單的拖放操作和正確的提示配置，Tiledesk 剛剛用自動化任務取代了人工任務。且任務是即時執行的。操作流程如下圖所示： 內容驗證... 內容已驗證！ 下一步是新增將來要搜尋的內容並對其進行語義索引。我們使用 Tiledesk API（透過 Web 請求操作呼叫）向資訊檢索引擎（又稱知識庫）提供同事的建議。我們可以進入知識庫模組查看我們在對話過程中新增的內容。 知識庫 處理內容時，您需要資訊檢索引擎。 Tiledesk 附帶了一個功能齊全的函式庫，稱為知識庫(KB)。該引擎提供了漂亮的用戶介面，使管理企業內容變得更加容易。您可以新增 pdf、docx、txt 內容和網站的整個網站地圖（甚至定期重新索引）。知識庫將負責對內容進行正確分段，透過我們的混合語義全文搜尋引擎對其進行索引，並提供特殊的設計操作（也稱為詢問知識庫操作）來查詢操作流程中的資訊。但這次用戶的建議是透過 API 直接來自流的。批准後，我們在流程中插入了一個 Web 請求操作，該操作可以使用REST API 知識庫根據新批准的使用者建議自動更新知識庫。 上傳後，內容將由資訊檢索引擎處理。擁有整合知識庫的主要優點是您可以直接從提供的使用者介面管理所有使用者建議。事實上，我們在旨在承載我們建議的相應知識庫中找到了我們的建議，如下圖所示： Tiledesk 的知識庫引擎是基於RAG（透過檢索增強生成）範例。 RAG 是一個複雜的過程，通常透過存取知識庫來豐富大型語言模型 (LLM)（例如 ChatGPT）的輸入以及附加資訊。這種方法允許 RAG 聊天機器人使用對 ChatGPT 等模型的高階語言理解，同時無限擴展其知識。從本質上講，RAG 聊天機器人充當基於檢索的模型和生成模型之間的橋樑，檢索模型在資料庫中搜尋最相關的答案，產生模型動態創建答案。這種組合提供了三個主要好處：使用高級語言理解而無需從頭開始培訓法學碩士、擴展聊天機器人的知識庫以及創建互動式和直觀的內容搜尋。
