Trabajar con puesta a tierra de contexto

Esta sección incluye información sobre cómo utilizar Context Grounding de forma eficaz.

Primeros pasos

Para utilizar Contextualización con agentes o Autopilot for Everyone, crea un índice siguiendo los pasos descritos en Crear índices.

Para utilizar Context Grounding con actividades, crea una conexión al conector de actividades de UiPath GenAI y asegúrate de utilizar Studio Web o Studio Desktop versión 2024.4 o posterior.

Gestionar el proceso de ingestión

Puedes gestionar los procesos de ingestión a través de:

• Orchestrator o Agentes, desde la página Índices . Consulta Gestionar índices.
• La actividad Actualizar índice de contextualización , parte del paquete de actividades de GenAI de UiPath.

Consultar datos con Context Grounding

Después de crear un índice en Orchestrator, los índices son accesibles en toda la plataforma UiPath. Estos índices sirven como almacenamiento persistente para los documentos incorporados desde tus fuentes de datos, ofreciendo un recurso reutilizable para varios productos de UiPath:

• En Autopilot for Everyone, la contextualización mejora las interacciones del usuario al permitir búsquedas en los índices existentes para proporcionar respuestas precisas a las consultas. Para obtener más información, consulta Contextualización en Autopilot for Everyone.
• Las actividades de GenAI se benefician de Contextualización al permitir la generación de contenido basado en información almacenada en bases de conocimiento autorizadas. Para obtener más información, consulta Actividades de GenAI.
• Para los agentes, los índices desempeñan un papel crucial a la hora de proporcionar contexto durante las ejecuciones. Para obtener más información, consulta Contextos.

Puesta a tierra del contexto de supervisión

Comprender cómo influye Context Grounding en tus flujos de trabajo es crucial para optimizar el rendimiento y la resolución de problemas. Así es como puedes rastrear y ver las salidas de Context Grounding en diferentes productos de UiPath.

En Agentes, accede a la vista Seguimiento de la ejecución del agente para ver los detalles completos. Esta vista proporciona todos los resultados de búsqueda y citas de la consulta de Contextualización, ofreciendo información sobre el proceso de toma de decisiones del agente.

Para recopilar información detallada sobre las actividades de Context Grounding en GenAI:

1. Coloca una actividad Mensaje de registro inmediatamente después de la actividad Generación de contenido en tu secuencia de flujo de trabajo.
2. Utiliza las siguientes variables de salida para capturar información específica:
   • Arriba Texto generado: ver la respuesta de generación de LLM después de la ejecución del flujo de trabajo.
   • Citas: examina los resultados de la búsqueda semántica que influyeron en la salida de la generación. Esto solo funciona para los tipos de datos PDF y JSON.

Conexión a tierra del contexto en las actividades de GenAI

Context Grounding interactúa con tus datos en tres fases:

1. Establece tu origen de datos para Context Grounding.
   • La conexión a tierra del contexto sigue los permisos de la carpeta compartida. Utilice una carpeta con acceso adecuado para gestionar y consultar desde los datos.
   • Crea una conexión a las fuentes de datos de Integration Service compatibles o añade datos a una ubicación de depósito compartida de Orchestrator.
2. Ingerir datos de tu origen de datos en Context Grounding.
   • Crea y sincroniza índices en Orchestrator.
   • Utiliza la actividad Actualizar índice de contextualización para sincronizar un índice que hayas creado.
3. Consultas y solicitudes de tierra con tus datos.
   • Utiliza la actividad de generación de contenido, los agentes o Autopilot for Everyone para consultar documentos y utilizar información para aumentar o fundamentar las solicitudes.

Patrones de puesta a tierra de contexto común

Los componentes básicos de Context Grounding están diseñados para proporcionar un mecanismo que permita encontrar información pertinente dentro y entre documentos, y mostrar solo las piezas más relevantes necesarias para una generación de alta calidad y baja latencia desde un LLM.

Buscar dentro de los documentos

El servicio Context Grounding te ayuda a encontrar información específica dentro de un único documento de forma más eficaz. En lugar de solo hacer coincidir palabras clave, comprende el significado y el contexto de su consulta de búsqueda. Por ejemplo, si buscas información sobre "recetas de tarta de manzana" en un libro de cocina, entenderá que te interesan los postres y la repostería, no la tecnología o el cultivo de frutas.

Buscar en documentos

Context Grounding te ayuda a encontrar información repartida en varios documentos. Puede comprender las relaciones entre diferentes piezas de información y proporcionar resultados más relevantes. Por ejemplo, si estás investigando "efectos del cambio climático en la agricultura" en varios artículos científicos, recopila información relevante de múltiples fuentes, entendiendo que temas como los patrones de lluvia, el rendimiento de los cultivos y los cambios de temperatura están todos relacionados con tu consulta.

Esto significa que puedes utilizar Context Grounding para:

• Extracción y comparación de datos: la contextualización puede identificar y extraer automáticamente tipos específicos de información de los documentos y luego compararlos de forma significativa. Imagina que tienes una pila de currículos y quieres comparar las experiencias laborales de los candidatos. El servicio podría extraer títulos de trabajo, duraciones y responsabilidades y luego presentarlos de una manera que facilitara la comparación, incluso si la información se formatea de forma diferente en cada currículo.
• Resumen: la contextualización puede crear resúmenes de documentos largos o de varios documentos relacionados. No selecciona oraciones aleatorias, sino que comprende los puntos clave y el mensaje general. Por ejemplo, si tienes un informe largo sobre las tendencias del mercado, el servicio puede proporcionar un resumen que resalte los principales hallazgos, las estadísticas clave y las conclusiones generales.

Notificaciones

Puedes suscribirte para recibir notificaciones de Contextualización. Consulta Panel de notificaciones para obtener más información.

Los eventos sirven como desencadenadores de notificaciones. Los eventos Context Grounding que generan notificaciones son:

• Trabajo de ingestión completado
• Error en el trabajo de ingestión
• Trabajo de ingestión iniciado

También puedes suscribirte a eventos en función de su gravedad, como Correcto o Error.

Traer tu propia base de datos vectorial

Utiliza tu base de datos vectorial existente para fundamentar las respuestas de los agentes en datos empresariales de confianza, sin duplicar el contenido ni cambiar tu arquitectura actual.

Esta guía muestra cómo conectar bases de datos vectoriales gestionadas externamente (como la búsqueda vectorial de Databricks o la búsqueda de IA de Azure) a agentes de UiPath utilizando flujos de trabajo de API, lo que permite la generación aumentada por recuperación (RAG) con tus propias fuentes de datos.

Al final de esta guía, podrás:

• Consulta una base de datos vectorial externa desde un agente de UiPath.
• Devuelve el contenido más relevante como contexto estructurado.
• Conecta las respuestas de los agentes a los datos de tu organización de forma segura y en tiempo real.

Cuándo utilizar el patrón Trae tu propia base de datos de vectores (BYOVD)

Utiliza BYOVD cuando:

• Tus datos ya están indexados en un almacén de vectores externo.
• Desea que los agentes accedan a conocimientos empresariales actualizados.
• Debes evitar copiar o reindexar datos en UiPath.
• Necesitas un control total sobre el almacenamiento de datos, la seguridad y las incrustaciones.

Cómo funciona

BYOVD permite a los agentes basar las respuestas de IA generativa en tus fuentes de datos de confianza. En lugar de confiar en un índice de contextualización integrado, utiliza flujos de trabajo de API que consultan de forma segura tu base de datos vectorial externa y devuelven el contexto relevante al modelo lingüístico de gran tamaño del agente.

Este enfoque te da flexibilidad para integrar cualquier base de datos vectorial con una API pública, manteniendo el control sobre el acceso a los datos, la autenticación y la lógica de recuperación.

UiPath habilita BYOVD a través de flujos de trabajo de API que actúan como herramientas para los agentes. En tiempo de ejecución:

1. Consulta del usuario: el usuario envía una solicitud al agente.
2. Selección de herramientas: el LLM del agente determina que se requiere contexto adicional y selecciona la herramienta de búsqueda vectorial personalizada.
3. Ejecución del flujo de trabajo de la API: el agente invoca el flujo de trabajo de la API publicado, pasando la consulta del usuario como entrada.
4. Búsqueda de vectores: el flujo de trabajo consulta la base de datos de vectores para recuperar el contenido más relevante semánticamente.
5. Devolución de contexto: el flujo de trabajo devuelve el contenido recuperado como JSON estructurado.
6. Formulación de respuesta: el agente utiliza este contexto para generar una respuesta precisa y fundamentada.

Este enfoque admite la generación aumentada por recuperación (RAG) sin requerir la incorporación nativa en el servicio de Contextualización.

Información general sobre la arquitectura

La solución BYOVD consta de tres componentes principales:

• Base de datos vectorial: tu sistema existente (por ejemplo, Búsqueda vectorial de Databricks o Búsqueda de IA de Azure).
• Flujo de trabajo de API: un flujo de trabajo de UiPath Integration Service que:
  • Acepta una consulta.
  • Llama a la API de la base de datos vectorial.
  • Devuelve resultados relevantes.
• Herramienta de agente: el flujo de trabajo de la API publicado, añadido como una herramienta que el agente puede invocar.

Seguridad y gestión de credenciales

Antes de crear el flujo de trabajo, almacena todas las claves API y los secretos de forma segura. No codifiques las credenciales en tu flujo de trabajo. En su lugar, utiliza el almacén de credenciales de Orchestrator:

• Almacenar credenciales en Orchestrator: añade tus claves API y otros secretos como activos de credenciales en tu tenant de Orchestrator. Esto proporciona una gestión centralizada y segura de la información confidencial.
• Recuperar credenciales en tiempo de ejecución: en tu flujo de trabajo de API, utiliza la actividad Obtener credencial para acceder a las credenciales almacenadas cuando se ejecuta el flujo de trabajo. La actividad devuelve el nombre de usuario como una cadena y la contraseña (por ejemplo, una clave API) como SecureString, evitando que los secretos se expongan en los registros o las definiciones de flujo de trabajo.

Requisitos previos

Antes de comenzar, asegúrate de tener:

• Una base de datos vectorial activa (como la búsqueda vectorial de Databricks o la búsqueda de IA de Azure) con datos indexados.
• Un punto final de API válido y credenciales de autenticación almacenadas como activos de credenciales en Orchestrator.
• Un punto final y una clave del modelo de incrustación, también almacenados de forma segura (solo para la vectorización del lado del cliente de Azure).

Configuración

Puedes implementar BYOVD utilizando uno de los tres enfoques: puntos finales nativos del modelo, vectorización del lado del cliente (donde el flujo de trabajo de la API realiza la vectorización) o vectorización integrada.

Las siguientes secciones proporcionan instrucciones paso a paso para configurar cada enfoque. Los ejemplos utilizan Databricks y Azure AI Search, pero el mismo patrón se aplica a otras bases de datos vectoriales. Elige la configuración que se alinee con la forma en que tu base de datos vectorial gestiona la vectorización de consultas.

Búsqueda vectorial de Databricks (punto final nativo del modelo)

Usa esta opción cuando Databricks gestione la vectorización de consultas de forma nativa.

Por qué utilizar esta opción:

• Una configuración sencilla
• Solo una llamada a la API por consulta
• No se requiere un modelo de incrustación independiente

Pasos

1. Obtén los detalles de Databricks:
   1. Recupera la URL del punto final.
   2. Almacena tu token de acceso personal de Databricks como activo de credenciales en Orchestrator.
2. En Studio, crea un nuevo proyecto de flujo de trabajo de API y define los siguientes argumentos:
   • in_QueryText (String)
   • in_TopK (Int32, con un valor predeterminado de 5)
   • out_Results (String)
3. Utiliza la actividad Obtener credencial para recuperar el token de acceso personal de Databricks de Orchestrator en tiempo de ejecución.
4. Añade una actividad de solicitud HTTP para llamar al punto final de Databricks:
   • Punto final: el punto final de búsqueda vectorial de Databricks
   • Método: POST
   • Encabezados: Authorization: Bearer <Personal Access Token>
   • Cuerpo: construye el cuerpo JSON requerido por la API de Databricks, asignando tus variables de entrada.
5. Publica el flujo de trabajo en tu tenant de Orchestrator.
6. Añade el flujo de trabajo como herramienta a tu agente, proporcionando un nombre claro y una descripción para que lo utilice el LLM.

Azure AI Search (vectorización del lado del cliente)

Utiliza esta opción cuando tu índice de Azure AI Search espere entradas vectoriales.

Por qué utilizar esta opción:

• Control total sobre los modelos incrustados
• Compatibilidad con índices vectoriales existentes

Pasos

1. Obtenga los detalles de la API:
   • Para Azure AI Search: recupera la URL del punto final, el nombre del índice y almacena tu clave API como un activo de credenciales en Orchestrator.
   • Para el modelo de incrustación: recupera la URL del punto final y almacena la clave API para tu servicio de incrustación como un activo de credenciales en Orchestrator.
2. En Studio, crea un nuevo proyecto de flujo de trabajo de API y define los siguientes argumentos:
   • in_QueryText (String)
   • in_TopK (Int32, con un valor predeterminado de 5)
   • out_Results (String)
3. Primero, vectoriza la consulta:
   1. Añade una actividad Obtener credencial para recuperar la clave API de tu modelo de incrustación.
   2. Añade una actividad de solicitud HTTP para llamar a tu modelo de incrustación con in_QueryText.
   3. Deserializa la respuesta JSON y almacena el vector de incrustación resultante en una variable (por ejemplo, queryVector).
4. Consulta Azure AI Search:
   1. Añade una actividad Obtener credencial para recuperar tu clave API de búsqueda de IA de Azure.
   2. Añade una actividad de solicitud HTTP y configúrala de la siguiente manera:
      • Punto final: tu punto final de Azure AI Search.
      • Método: POST.
      • Encabezados: añade un encabezado api-key con tu variable de clave de la API de búsqueda de IA de Azure, de la siguiente manera: api-key: <API key>.
      • Cuerpo: crea el cuerpo JSON para la consulta de búsqueda vectorial de Azure AI Search, incrustando tu variable queryVector .
5. Publica el flujo de trabajo en tu tenant de Orchestrator.
6. Añade el flujo de trabajo publicado como herramienta a tu agente, proporcionando una descripción clara para que lo utilice el LLM.

Azure AI Search (vectorización integrada)

Utiliza esta opción cuando tu índice de Azure AI Search admita la vectorización integrada.

Por qué utilizar esta opción:

• Configuración de Azure más sencilla
• Sin llamadas incrustadas en el flujo de trabajo
• Solicitud de API única por consulta

Pasos

1. Obtenga los detalles de la API:
   • Recupere la URL del punto final de búsqueda de IA de Azure, el nombre del índice y almacene su clave API como un activo de credenciales en Orchestrator.
2. En Studio, crea un nuevo proyecto de flujo de trabajo de API y define los siguientes argumentos:
   • in_QueryText (String)
   • in_TopK (Int32, con un valor predeterminado de 5)
   • out_Results (String)
3. Añade una actividad Obtener credencial para recuperar tu clave API de búsqueda de IA de Azure desde Orchestrator.
4. Añade una actividad de solicitud HTTP y configúrala de la siguiente manera:
   • Punto final:

     https://<service>.search.windows.net/indexes/<index-name>/docs/search?api-version=2023-11-01
     

   • Método: POST
   • Encabezados: añade un encabezado api-key con tu variable de clave de la API de búsqueda de IA de Azure, de la siguiente manera: api-key: <API key>
   • Cuerpo: construye el cuerpo JSON para realizar una búsqueda vectorial utilizando el texto de la consulta. Azure AI Search gestiona la vectorización automáticamente.

     {
       "vectorQueries": [
         {
           "kind": "text",
           "text": "<%= in_QueryText %>",
           "fields": "contentVector",
           "k": "<%= in_TopK %>"
         }
       ],
       "select": "chunk, source_document"
     }
     

5. Publica el flujo de trabajo en tu tenant de Orchestrator.
6. Añade el flujo de trabajo publicado como herramienta a tu agente, proporcionando una descripción clara para el LLM.