Kontexte

Fügen Sie einen Index oder einen Satz von Data Fabric-Entitäten als Agent-Kontext hinzu und konfigurieren Sie dann dessen Suchstrategie, Scope oder Entitätstyp, um zu steuern, was Ihr Agent abruft.

Verwenden von Indizes in Agents

Über Indizes können Agents Zugriff auf genehmigte Wissensdatenbanken erhalten. Dies hilft Agents, mit geschäftsspezifischen Daten zu argumentieren. Eine Anleitung zur effektiven Nutzung des Kontexts finden Sie unter Bewährte Methoden für Kontext-Engineering.

Informationen zum Konfigurieren eines benutzerdefinierten Modells für Kontextgrundlage-Funktionen finden Sie unter Konfigurieren von LLMs.

Um einen Index als Kontext für Ihren Agent hinzuzufügen, führen Sie folgende Schritte im Abschnitt Kontexte aus:

1. Wählen Sie Kontext hinzufügen und dann Kontextgrundlagenindizes aus.
2. Wählen Sie einen Index aus der verfügbaren Liste oder Neuen erstellen, um einen neuen Index in Orchestrator zu erstellen. Weitere Information dazu finden Sie unter Indizes.
3. Geben Sie eine Beschreibung für Ihren Kontext an.
4. Konfigurieren Sie die Suchstrategie mithilfe des Eigenschaftenbereichs. Sie können den Abfragetyp, die Präzision und die Relevanz des Kontexts über die folgenden Einstellungen steuern:
   • Semantik: Wählen Sie diese Option für semantische Abfragen, wenn Sie mit textuellen Datenquellen arbeiten.
     • Schwellenwert für den Relevanzwert: Damit ist ein Schwellenwert für den Ähnlichkeitswert gemeint, der nach dem Abruf und der Neusortierung relevanter Chunks angewendet wird.Alle relevanten Chunks, die unterhalb dieses Schwellenwerts liegen, werden nicht zurückgegeben. Verwenden Sie dieses Feld, um genauere Ergebnisse zu erzielen. Wenn Sie diese Zahl erhöhen, filtert Kontextgrundlage und verankert nur Prompts mit den besten Bewertungen.
     • Max. Ergebnisse generiert: Bezieht sich auf die Anzahl der Teile, die von der Kontextgrundlage aus der Abfrage eines Benutzers zurückgegeben werden. Dies trägt zur Reduzierung der grundlegenden Nutzlast der LLM-Generierung (Gesamtanzahl der Tokens im LLM-Aufruf) und kann als zusätzlicher Filter für die Ergebnisse dienen, die Sie von der Kontextgrundlage erhalten. Wenn Sie die Anzahl der Ergebnisse erhöhen, erhöht sich die Anzahl der zurückgegebenen Chunks.
     • Abfrage – Die Abfrage für die Suchstrategie. Dieses Feld unterstützt statische Werte, Static, Argument und Dynamic-Modi.
   • Strukturiert (Vorschau): Wählen Sie diese Option für strukturierte Abfragen, wenn Sie tabellarische Datenquellen verwenden. Unterstützt das CSV-Datenformat.
   • DeepRAG: Wählen Sie diese Option aus, um die erweiterte Synthese und das Abrufen mehrerer Dokumente zu aktivieren. Weitere Details finden Sie unter Verwenden von DeepRAG.
     • Zitate aktivieren – Zitate für DeepRAG-Abfragen aktivieren.
     • Prompt – Der Prompt für die DeepRAG-Abfrage. Dieses Feld unterstützt statische Werte, Static, Argument und Dynamic-Modi.
5. Beschränken Sie den Suchbereich mithilfe folgender Einstellungen:
   • Ordnerpfadpräfix – Verwenden Sie dieses Feld, um den Ordnerpfad anzugeben, in dem Ihre Zieldokumente gespeichert sind. Sie können entweder einen statischen Pfad wie /documents/project manuell eingeben oder ein dynamisches Argument verwenden, damit der Agent basierend auf Runtime-Eingaben verschiedene Ordner durchsuchen kann.
   Hinweis:

   Standard werden nur Dateien indiziert, die sich direkt im angegebenen Ordner befinden.Dateien die in Unterordnern gespeichert sind, werden nicht automatisch eingeschlossen. Um Dateien aus Unterordnern einzubeziehen, fügen Sie sie /**an den Pfad an (z. B. /documents/project/**). Wenn Dateien in Unterordnern nicht enthalten sind, wird möglicherweise folgender Error angezeigt: „Keine gültigen Dateien für DeepRAG.Bitte aktualisieren Sie Ihren Index und synchronisieren Sie ihn erneut, oder verwenden Sie ein anderes Übereinstimmungsmuster."

   • Dateierweiterung – Wählen Sie die im Index enthaltenen Dateitypen. Für DeepRAG werden nur PDF-Dateien unterstützt.

Verwenden von Data Fabric-Entitäten in Agents

Neben Indizes können Agenten Data Fabric-Entitäten direkt als Kontext verwenden. Auf diese Weise kann ein Agent ein Datensatz direkt aus den Unternehmenssystemen abfragen und die aktuellen Werte analysieren, ohne dass Sie einen Index erstellen oder verwalten müssen.

Native und föderierte Entitätstypen werden unterstützt, um als Kontext hinzugefügt zu werden. Eine native Entität speichert ihre Datensätze in UiPath, während eine föderierte Entität keine eigenen Daten enthält und jedes Mal, wenn sie abgefragt wird, live aus einem externen System oder von einer nativen Entität liest. Einen vollständigen Vergleich der Unterstützung die jeder Typ unterstützt, finden Sie unter Entitätstypen. Weitere Informationen zum Erstellen und Konfigurieren von Entitäten finden Sie unter Erstellen einer Entität.

Um eine Data Fabric-Entität als Kontext für Ihren Agent hinzuzufügen, führen Sie folgende Schritte im Abschnitt Kontexte aus:

1. Wählen Sie Kontext hinzufügen und dann Data Fabric-Entitäten.
   Hinweis:

   Diese Ansicht zeigt nur Entitäten auf Ordnerebene an.

2. Suchen Sie nach und wählen Sie bis zu fünf Entitäten aus der Liste aus. Entitäten werden in In aktueller Lösung und Verfügbare Ressourcen gruppiert und zeigen jeweils eine native oder föderierte Beschriftung. Sie können optional die Schaltfläche Ansicht verwenden, um die Details einer Entität anzuzeigen.
3. Wählen Sie Hinzufügen , um die ausgewählten Entitäten zu Ihrem Agent hinzuzufügen.
   Hinweis:

   Verbundentitäten, die sich mit einem externen System verbinden, können erforderliche Parameter haben, abhängig davon, was der Connector dieses Systems zum Lesen von Daten benötigt. Wenn die hinzugefügte Entität welche hat, werden diese im Eigenschaftenbereich aufgeführt. Geben Sie die Werte für erforderliche Parameter ein, bevor der Agent diese Entität abfragen kann.

Die Entitäten werden als Kontext für Ihren Agent angezeigt, wobei jede die Beschriftung „Native“ oder „Federated“ hat und bereit abgefragt werden kann.