跳至主要内容

建立情緒判斷 AI 助手

本章藉由建立一個情緒判斷助手來說明 Router 與 Update Context Processor 的應用，在進入介紹之前，請先建立一個空白的 Bot 類型 Workflow，並新增 Listen Message 以及 LLM Completion 來聆聽用戶問題並請求 AI 處理。

1.Listen Message

2.LLM Completion

3.Update Context

4.Router

5.Push Message

6.預覽 Bot

1.Listen Message​

新增一個 Listen Message 來聽取用戶的問題。

2. LLM Completion​

LLM 呼叫 LLM 來判斷用戶輸入的問題當中的情緒是正面還是負面。

  • Completion Model 選擇已經設定好的大型語言模型，或是可以點擊「Add」以新增 Completion Model 設定。
  • Prompt 選擇 Template(Advance)並輸入以下範例請求 AI：
你是一個情緒判斷助手，負責判斷客戶所講的話是否帶有負面的情緒。


* 這是你跟客戶過去的對話紀錄:

{{{history 0 -1}}}

history為 Asgard 內建函數，0 是指第一則訊息，-1 是指算到上一個對話為止，因此這裡是在告訴 LLM 用戶的歷對話紀錄是從第一則到上一個對話，也就是上一步的 Listen Message 裡用戶輸入的問題。

  • Output Schema 規範 AI 輸出結構化資料的格式，新增一個布林值的欄位「isNegative」來判斷是否為負面情緒，並加上 description 方便識別，範例中使用「true 表示客戶有正面情緒，false 則不是」。
{
  "type": "object",
  "properties": {
    "isNegative": {
      "type": "boolean",
      "description": "true表示客戶有正面情緒，false則不是"
    }
  },
  "required": ["isNegative"]
}

Note: 詳細 JSON Schema 寫法，請參考JSON Schema

  • MaxTokens 設定消耗 Token 上限，此處選擇 Literal 類型並填入 4096 。Token 上限請依據選用的模型支援的範圍去設定，此處僅為範例。
  • 儲存設定

3.Update Context​

參考Update Context

4.Router​

參考Router

5.Push Message​

條件一

將 LLM 判斷的結果使用 Push Message 印出來。

  • Message 選擇 Literal 的類型，並輸入「正面」
  • Optional: 可以將 Processor 的 Description 改成容易識別的描述幫助工作流程的編排易讀性，例如改成「沒有負面」
  • 儲存設定

Else

將 LLM 判斷的結果使用 Push Message 印出來。

  • Message 選擇 Literal 的類型，並輸入「負面」
  • Optional: 可以將 Processor 的 Description 改成容易識別的描述幫助工作流程的編排易讀性，例如改成「表示有負面」
  • 儲存設定

6.預覽 Bot​

測試輸入情緒偏正面的用戶輸入，比如「今天天氣好好」，AI 可以判斷為正面; 反之，測試輸入情緒偏負面的表達，比如「不想上班」，AI 可以判斷用戶的情緒為負面。