شرکت های امروزی کارخانه های داده هستند. هر تعامل، معامله، و داخلی فرآیند یک جریان ثابت از اطلاعات تولید می کند.

این داده‌ها دارای ارزش بسیار زیادی هستند و نویدبخش بهبود تصمیم‌گیری، ساده‌سازی عملیات و باز کردن بینش عمیق مشتری هستند.

اما داده ها اغلب مخفی و غیرقابل دسترس باقی می مانند. ممکن است در بخش ها و سیستم های مختلف پخش شود و درک و استفاده موثر از آن می تواند چالش برانگیز باشد.

اینجاست که مفهوم فناوری Retrieval-Augmented Generation ( RAG ) مطرح می شود. با ترکیب قدرت تکنیک های مبتنی بر بازیابی و ابزارهای مدرن هوش مصنوعی، می توانید برنامه های چت Retrieval-Augmented Generation (RAG) بسازید که به شما امکان تعامل با داده های خود را با استفاده از یک رابط چت ساده.

از RAG با LLMs." srcset="https://www.freecodecamp.org/news/content/images/size/w600/2024/05/image-57.png 600w, https://www.freecodecamp.org/news/content/images/size/w1000/2024/05/image-57.png 1000w, https://www.freecodecamp.org/news/content/images/size/w1600/2024/05/image-57.png 1600w, https://www.freecodecamp.org/news/content/images/2024/05/image-57.png 2160w" sizes="(min-width: 1200px) 1200px" width="600" height="400" loading="lazy">

اما قبل از اینکه بتوانید در مورد داده های خود چت کنید، "کارهای قانونی" زیادی درگیر است. راه‌اندازی زیرساخت - خط لوله، پایگاه داده برداری، کارگزار پیام و بازیابی دانش - فرآیندی پیچیده و زمان‌بر است. اینجاست که ابزار منبع باز Agent Cloud وارد می شود.

در این راهنما، همه چیز را در مورد Agent Cloud و کارهایی که می تواند انجام دهد، خواهید آموخت. ما با نگاهی به برخی اطلاعات پس زمینه و مشکلات فعلی که با آنها دست و پنجه نرم می کنیم شروع می کنیم. سپس، خواهیم دید که چگونه Agent Cloud می تواند به حل آنها کمک کند.

چگونه کار با Agent Cloud را شروع کردم

من به فناوری جدید و ابزارهای توسعه‌دهنده علاقه دارم و جایی بین بازاریابی محصول، رشد و حمایت از توسعه‌دهندگان می‌نشینم. من در ایجاد محتوای نوشتاری با کیفیت بالا و فنی برای اهداف آموزشی تخصص دارم.

من حدود 14 سال است که با وب درگیر هستم که 4 سال آخر در جزئیات مجازات در وب سایت من ثبت شده است.

من دوست داشتم مهندس نرم افزار باشم، اما چیزی که واقعا دوست دارم انجام دهم، کدنویسی، طراحی، توسعه و سپس نوشتن.

اوایل امسال، اندرو (بنیانگذار ابر عامل) را در یک گروه خصوصی اسلک ملاقات کردم. او به دنبال کسی بود که نه تنها بتواند در مورد محصول بنویسد، بلکه بتواند در مورد آنچه که می‌سازند به مردم بحث کند و آموزش دهد. با او تماس گرفتم و پس از دو دور بحث، کار را با هم آغاز کردیم.

من با ساختن چند ربات چت RAG جالب در محلی خود شروع کردم و بعداً چند راهنمای جامع در مورد " چگونه با Agent Cloud یک چت ربات RAG بسازیم " نوشتم.

در این مقاله، به شما یاد می‌دهم که چگونه با استفاده از Agent Cloud یک برنامه چت RAG بسازید تا به صورت خصوصی و ایمن با داده‌های Google Sheets خود صحبت کنید. همچنین در مورد اینکه چرا فکر می‌کنم Agent Cloud یک ابزار توسعه‌دهنده منبع باز خوب است صحبت خواهم کرد.

فهرست مطالب:

Agent Cloud چیست ؟

RAG چیست ؟

چالش های ساخت یک چت بات RAG بدون Agent Cloud

پیش نیازها

نحوه راه اندازی Agent Cloud از طریق Docker

نحوه اضافه کردن مدل ها در Agent Cloud

چگونه کلید حساب سرویس GCP خود را ایجاد کنیم

نحوه فعال کردن Google Sheets API

چگونه منابع داده خود را تنظیم کنید

نحوه راه اندازی ابزارها

نحوه راه اندازی یک نماینده

چگونه یک وظیفه ایجاد کنیم

چگونه اپلیکیشن خود را راه اندازی کنیم

نتیجه

Agent Cloud چیست؟

Agent Cloud یک پلت فرم منبع باز است که به شما امکان می دهد برنامه های چت خصوصی و ایمن با مدل های زبان بزرگ بسازید (به ChatGPT فکر کنید).

این فرآیند را با ارائه یک پیشنهاد "RAG به عنوان یک سرویس" و یک خط لوله داخلی که به شما امکان می دهد داده ها را از بیش از 300 منبع (از جمله Google Sheets ، Salesforce، Atlassian Confluence، BigQuery ، MongoDB ، Postgres تقسیم کنید، تکه تکه کنید، و جاسازی کنید) ساده می کند. داده ، شیرپوینت و وان درایو).

که agentcloud پشتیبانی می کند" width="600" height="400" loading="lazy">

Retrieval-Augmented Generation چیست؟

RAG فرآیندی برای افزایش دقت مدل های زبان بزرگ است. این کار را از طریق بازیابی بر اساس تقاضای داده های خارجی و با تزریق زمینه به اعلان در زمان اجرا انجام می دهد.

این داده‌ها می‌توانند از منابع مختلفی مانند اسناد/صفحه‌های وب مشتریان شما (از طریق Scraping) و داده‌ها یا اسناد از ده‌ها (اگر نه صدها) برنامه شخص ثالث مانند پایگاه‌های داده، Google BigQuery، HubSpot، Google Ads، Google به دست آیند. Analytics 4 (GA4) و غیره.

برای کسانی که می‌خواهند عمیق‌تر در Retrieval-Augmented Generation غواصی کنند و کاربردها و اهمیت گسترده‌تر آن را درک کنند، خواندن این وبلاگ جامع NVIDIA را به شدت توصیه می‌کنم. این بینش ها و زمینه های ارزشمندی را ارائه می دهد که جنبه های عملی تحت پوشش این مقاله را تکمیل می کند.

چالش های ساخت یک چت بات RAG بدون Agent Cloud

اگر روزانه با این ابزارهای هوش مصنوعی کار می‌کنید، درک ارزشی که آنها به ارمغان می‌آورند و اهمیت Agent Cloud در ساده‌سازی فرآیند توسعه ربات چت، آسان می‌شود.

اما برای درک کامل مزایای آن، باید درک کنید که چگونه توسعه ربات چت قبل از در دسترس بودن چنین ابزارهایی انجام می شد.

قبل از ابزارهایی مانند Agent Cloud، ایجاد یک ربات گفتگوی RAG (Retrieval-Augmented Generation) کاری دلهره آور و نیازمند منابع بود. شما باید به صورت دستی اجزای مختلف را ادغام می‌کردید که به تخصص قابل توجهی در زمینه‌های مختلف نیاز داشت.

در اینجا برخی از چالش‌ها و راه‌حل‌هایی که تیم Agent Cloud باید ابداع می‌کرد، آورده شده است:

بازیابی و مدیریت داده ها:

مشکل: اطمینان از اینکه ربات چت می تواند به طور موثر داده ها را از منابعی مانند Google Sheets، پایگاه های داده و غیره بازیابی و مدیریت کند.

بدون Agent Cloud: توسعه دهندگان مجبور بودند اسکریپت های سفارشی را برای بازیابی داده بنویسند و اغلب از API برای واکشی داده ها از Google Sheets استفاده می کردند. این شامل مدیریت قالب‌بندی داده‌ها، تحلیل خطا و به‌روزرسانی‌های بی‌درنگ به صورت دستی بود. این یک فرآیند وقت گیر بود که مستعد خطا بود.

راه حل Agent Cloud: بازیابی و مدیریت داده ها را به صورت خودکار انجام می دهد و از یکپارچگی یکپارچه و دقیق با حداقل مداخله دستی اطمینان می دهد.

پردازش زبان طبیعی (NLP):

مشکل: پیاده‌سازی NLP برای درک پرسش‌های کاربر و ایجاد پاسخ‌های انسان‌مانند.

بدون Agent Cloud: توسعه دهندگان نیاز به ادغام موتورهای NLP مستقل مانند TensorFlow دارند. این امر مستلزم مدل‌های آموزشی در مجموعه داده‌های وسیع، تنظیم دقیق آن‌ها برای دقت و به‌روزرسانی دائمی آن‌ها برای رسیدگی مؤثر به پرسش‌های جدید بود.

راه حل Agent Cloud: قابلیت های NLP داخلی را ارائه می دهد که زمان راه اندازی را به میزان قابل توجهی کاهش می دهد و درک زبان را با کیفیت بالا ارائه می دهد.

مقیاس پذیری و نگهداری:

مشکل: اطمینان از اینکه ربات چت می تواند با افزایش بار داده ها و تعاملات کاربر مقابله کند.

بدون Agent Cloud: ساخت یک معماری مقیاس‌پذیر به معنای سرمایه‌گذاری در زیرساخت سرور قوی، نوشتن کد کارآمد و نظارت و نگهداری مداوم سیستم برای مدیریت رشد بود.

راه حل Agent Cloud: طراحی شده تا بدون دردسر مقیاس شود و به توسعه دهندگان این امکان را می دهد که به جای مدیریت زیرساخت، روی بهبود عملکرد تمرکز کنند.

تعامل و تجربه کاربر:

مشکل: ایجاد یک رابط کاربری جذاب و کاربرپسند.

بدون Agent Cloud: توسعه دهندگان مجبور بودند رابط های سفارشی را اغلب از ابتدا بسازند که به منابع طراحی و توسعه اضافی نیاز داشت. اطمینان از تعاملات صاف و پاسخگویی یک چالش بزرگ بود.

راه حل Agent Cloud: قالب های از پیش ساخته شده و گزینه های ادغام آسان را ارائه می دهد و تجربه کاربر را با حداقل تلاش بهبود می بخشد.

با درک این چالش ها، می توانید ببینید که چگونه ابزاری مانند Agent Cloud به فرآیند ساخت چت ربات های RAG کمک می کند. این به نقاط دردناک مدیریت دستی داده ها، ادغام پیچیده NLP، مسائل مقیاس پذیری و طراحی رابط کاربری می پردازد و یک راه حل همه کاره ارائه می دهد که در زمان و منابع صرفه جویی می کند.

پیش نیازها

برای پیگیری، نیازی به دانش قبلی در مورد برنامه‌های چت RAG یا Google Sheets ندارید زیرا Agent Cloud تقسیم، رمزگذاری، ذخیره‌سازی و همگام‌سازی داده‌ها را انجام می‌دهد. این به شما امکان می دهد تا روی صحبت کردن با داده های خود و تفسیر نتایج تمرکز کنید.

نحوه راه اندازی Agent Cloud از طریق Docker

اگر قبلاً Docker را ندارید، ابتدا باید Docker را روی سیستم خود نصب کنید. Docker یک پلتفرم برای اجرای برنامه های کاربردی کانتینری است.

ترمینال خود را باز کنید و دستور زیر را برای کلون کردن مخزن Agent Cloud از GitHub اجرا کنید:

از دستور زیر برای انتقال به دایرکتوری agentcloud تازه کلون شده استفاده کنید:

برای اجرای Agent Cloud به صورت محلی، این دستور را اجرا کنید:

این دستور مجوزهای اجرایی را به اسکریپت install.sh می دهد و سپس آن را اجرا می کند. اسکریپت تصاویر Docker لازم را دانلود کرده و کانتینرهای Agent Cloud را در محیط Docker شما راه اندازی می کند.

هنگامی که اسکریپت نصب با موفقیت به پایان رسید، می توانید کانتینرهای در حال اجرا Agent Cloud را در برنامه Docker مشاهده کنید.

هنگامی که همه چیز آماده و اجرا شد، می توانید به رابط کاربری Agent Cloud در مرورگر وب خود دسترسی داشته باشید.

به آدرس URL بروید:

این معمولاً صفحه ثبت نام را باز می کند که در آن می توانید یک حساب کاربری برای استفاده از Agent Cloud ایجاد کنید.

اکنون می توانید با استفاده از اعتبارنامه هایی که هنگام ثبت نام ایجاد کرده اید وارد شوید.

هنگامی که با موفقیت ثبت نام کردید و وارد سیستم شدید، رابط کاربری Agent Cloud از شما استقبال می کند. این رابط یک هاب مرکزی برای مدیریت منابع داده، عوامل، وظایف، مدل‌ها، برنامه‌ها، اعتبارنامه‌ها و غیره فراهم می‌کند.

تبریک می گویم! Agent Cloud را با موفقیت راه اندازی کردید. حالا بیایید به مرحله بعدی برویم و برنامه چت RAG خود را با استفاده از Google Sheets به عنوان منبع داده بسازیم.

نحوه اضافه کردن مدل ها در Agent Cloud

به تب Models در Agent Cloud بروید. روی دکمه Add Models کلیک کنید تا دو نوع مدل اضافه شود.

مدل جاسازی سریع یک مدل سبک وزن است که به صورت محلی روی دستگاه شما اجرا می شود. قبل از جاسازی داده های شما را تقسیم و تکه تکه می کند.

OpenAI یک ارائه دهنده محبوب LLM مبتنی بر ابر است.

چگونه کلید حساب سرویس GCP خود را ایجاد کنیم

Agent Cloud دو روش احراز هویت را برای دسترسی به داده‌های Google Sheets ارائه می‌دهد:

Google (Auth) - این روش شامل مجوز مستقیم Agent Cloud از طریق حساب Google شما است.

حساب کلید سرویس - این رویکرد از یک کلید سرویس استفاده می‌کند، اعتباری که به‌طور خاص برای دسترسی برنامه به سرویس‌های Google Cloud Platform (GCP) از جمله Google Sheets ایجاد شده است.

برای این راهنما، من روی روش حساب کلید سرویس تمرکز می‌کنم، که به طور کلی روشی امن‌تر و ساده‌تر برای ارتباط برنامه به برنامه در نظر گرفته می‌شود.

در اینجا چیزی است که شما نیاز دارید:

یک پروژه Google Cloud Platform (GCP) با فعال کردن API کاربرگ‌نگار Google.

یک کلید حساب سرویس در پروژه GCP شما ایجاد می شود. این کلید برای احراز هویت Agent Cloud استفاده خواهد شد.

من شما را با ایجاد یک کلید حساب سرویس در پروژه GCP خود و پیکربندی Agent Cloud برای استفاده از آن برای دسترسی به داده‌های Google Sheets خود راهنمایی می‌کنم.

ابتدا یک حساب Google Cloud Platform ایجاد کنید. سپس یک پروژه جدید ایجاد کنید. شما می توانید هر نامی که دوست دارید به پروژه خود بدهید.

به بخش "IAM & Admin" بروید و "Service Accounts" را انتخاب کنید.

روی «ایجاد حساب سرویس» کلیک کنید و نام و توضیحاتی را ارائه دهید.

نام حساب سرویس و شناسه خدمات منحصر به فرد خود را وارد کنید، سپس روی انجام شد کلیک کنید.

در زیر تب اقدامات، روی گزینه مدیریت کلیدها کلیک کنید.

روی دکمه ADD KEY کلیک کرده و گزینه Create Key را انتخاب کنید.

JSON را به عنوان نوع کلید انتخاب کنید، سپس بر روی Create New Key کلیک کنید.

JSON را به عنوان نوع کلید انتخاب کنید، سپس روی Create کلیک کنید. حساب سرویس JSON یا کلید JSON شما به طور خودکار دانلود می شود.

این فایل را ایمن نگه دارید ما بعداً از آن برای احراز هویت استفاده خواهیم کرد.

نحوه فعال کردن Google Sheets API

همچنین باید Google Sheets API را در پروژه Google Cloud خود فعال کنید.

منوی پیمایش سمت چپ را باز کنید و به «APIs & Services» و سپس «Library» بروید.

"Google Sheets API" را در نوار جستجو تایپ کنید و Enter را فشار دهید.

Google Sheets API در نتایج جستجو ظاهر می شود. روی آن کلیک کنید.

در صفحه جزئیات API، روی دکمه " فعال کردن " کلیک کنید.

چگونه منابع داده خود را تنظیم کنید

Agent Cloud به شما این امکان را می دهد که داده ها را از طیف گسترده ای از منابع پردازش کنید.

در این راهنما، من از Google Sheets به عنوان منبع داده استفاده خواهم کرد. Sheets یک برنامه کاربردی صفحه گسترده مبتنی بر وب است که در Google Workspace گنجانده شده است. Google Sheets به شما امکان ایجاد، ویرایش و همکاری در صفحات گسترده در زمان واقعی را می دهد.

برای این مثال، من با مجموعه داده‌های شکایات مصرف‌کننده مالی که در یک برگه Google ذخیره شده است کار خواهم کرد.

این مجموعه داده شامل چندین ستون است که مراحل و جزئیات کلیدی فروش را نشان می دهد، که احتمالاً شامل موارد زیر است:

شناسه شکایت

ارسال شده از طریق

تاریخ ارسال

تاریخ دریافت

حالت

تولید - محصول

محصول فرعی

موضوع

موضوع فرعی

شرکت

پاسخ عمومی

پاسخ شرکت به مصرف کننده

پاسخ به موقع؟

در اینجا نحوه اتصال داده‌های Google Sheets آورده شده است:

در رابط Agent Cloud به برگه Data Sources بروید.

روی دکمه با عنوان New Connection کلیک کنید. این فرآیند گفت ن یک منبع داده جدید را آغاز می کند.

جستجو کنید و «کاربرگ‌های Google» را به عنوان منبع داده انتخاب کنید.

من منبع داده خود را شکایات مالی مصرف کننده نام گذاری کرده ام، که می توانید هر طور که می خواهید نام ببرید. توضیحات واضح و مختصر اضافه کنید. همگام سازی داده ها دستی خواهد بود. این بدان معناست که هر زمان که می‌خواهید آخرین اطلاعات کاربرگ‌نگار Google شما در Agent Cloud منعکس شود، باید فرآیند به‌روزرسانی داده‌ها را آغاز کنید.

اندازه دسته مناسب ردیف را وارد کنید. اندازه دسته‌ای ردیف به معنای تعداد ردیف‌هایی است که از صفحه Google پردازش می‌شوند. به عنوان مثال، مقدار پیش فرض 200 ردیف های 1-201، سپس 201-401 و غیره را پردازش می کند.

روش احراز هویت را به عنوان « تأیید هویت کلید حساب سرویس » انتخاب کنید.

کلید JSON را که قبلاً در بالا دانلود کرده بودیم در قسمت Service Account Information وارد کنید.

پیوند صفحه‌گسترده Google را که می‌خواهید همگام‌سازی کنید، وارد کنید. برای کپی کردن پیوند، روی دکمه «اشتراک‌گذاری» در گوشه سمت راست بالای صفحه‌گسترده کلیک کنید، سپس روی «کپی پیوند» کلیک کنید.

روی دکمه ارسال کلیک کنید.

مجموعه و فیلدهایی را که می خواهید با پایگاه داده برداری همگام سازی کنید انتخاب کنید و توضیحات آنها را وارد کنید.

روی ادامه کلیک کنید و فیلدی را که می خواهید جاسازی کنید انتخاب کنید و سپس مدل را انتخاب کنید.

اکنون اتصال به Google Sheet شما برقرار است.

در طول اجرای اولیه، Agent Cloud داده های صفحه گسترده شما را پردازش می کند و آن را به فرمتی مناسب برای بازیابی کارآمد تبدیل می کند. سپس این داده های پردازش شده در فروشگاه برداری Agent Cloud ذخیره می شود.

اگر با جزئیات فنی راحت هستید، می توانید وجود داده ها را در فروشگاه برداری Qdrant که به صورت محلی در پورت 6333 اجرا می شود تأیید کنید.

این را می توان از طریق: http://localhost:6333/dashboard#/collections دسترسی داشت.

به دنبال مجموعه جدیدی مطابق با داده های Google Sheet خود بگردید.

برای مشاهده محموله ها و فیلدهای پر شده در مجموعه می توانید روی مجموعه کلیک کنید.

نحوه راه اندازی ابزارها

ابزارها نقش مهمی در تسهیل تعامل موثر بین عامل هوش مصنوعی و محیط آن ایفا می‌کنند و پردازش اطلاعات و اجرای یکپارچه اطلاعات را در راستای اهداف آن ممکن می‌سازند.

این ابزارها می‌توانند شامل توابع، APIها، منابع داده و منابعی باشند که برای توانمندسازی عامل برای انجام وظایف مختلف به طور مستقل و کارآمد طراحی شده‌اند. در حالی که انعطاف‌پذیری لازم را دارید تا ابزارهای خود را مطابق با الزامات آن‌ها بسازید، Agent Cloud همچنین با ایجاد خودکار ابزاری با گفت ن یک منبع داده جدید، فرآیند را ساده می‌کند.

برای جابجایی به صفحه ابزار، روی ابزارهای تب Tools کلیک کنید و روی دکمه New کلیک کنید.

نام ابزارها را وارد کرده و توضیحات اضافه کنید. شرح مفصل و مفصل به عوامل کمک می کند تا درک بهتری از زمان استفاده از هر ابزار داشته باشند.

منبع داده را انتخاب کنید و روی دکمه ذخیره کلیک کنید.

نحوه راه اندازی یک نماینده

عامل‌های هوش مصنوعی سیستم‌های هوشمندی هستند که با درک محیط خود، جمع‌آوری داده‌ها و استفاده از آن داده‌ها برای تصمیم‌گیری در انجام وظایف معمول یا تکراری برتری دارند.

روی تب Agents کلیک کنید و سپس بر روی دکمه New Agent کلیک کنید.

همانطور که در زیر نشان داده شده است، نام ، نقش ، هدف و سابقه یک عامل را تعریف کنید.

در بخش «مدل»، موتور هوش مصنوعی را انتخاب کنید تا قابلیت‌های استدلال عامل خود را تقویت کند. برای این مثال، "OpenAI GPT-4" را هم به عنوان مدل و هم به عنوان مدل فراخوانی تابع انتخاب کرده ایم.

ابزاری را که قبلاً در قسمت ابزارها (اختیاری) راه اندازی کردیم، انتخاب کنید.

اگر "OpenAI GPT-4" قبلاً در Agent Cloud پیکربندی نشده است، می توانید به راحتی آن را اضافه کنید. روی فیلد «مدل» کلیک کرده و « گفت ن مدل جدید» را انتخاب کنید. پنجره جدیدی ظاهر می شود که به شما امکان می دهد نام، نوع، اعتبار مدل (کلید OpenAI API شما) و مدل خاص LLM را تعریف کنید.

روی دکمه ذخیره کلیک کنید. هنگامی که این اطلاعات را ذخیره کردید، "GPT-4" برای ایجاد نماینده در آینده در دسترس خواهد بود.

چگونه یک وظیفه ایجاد کنیم

وظایف، اقدامات خاصی هستند که برای تکمیل به عوامل محول می شوند. برای ایجاد یک کار جدید، به تب Tasks بروید و روی دکمه "Add Task" کلیک کنید.

جزئیات زیر را در پنجره پاپ آپ زیر وارد کنید.

نام کار : به کار خود عنوان واضح و مختصری بدهید که هدف آن را منعکس کند.

شرح مفصل از آنچه که وظیفه مستلزم آن است.

ابزاری را که قبلا ایجاد کردیم، که در مورد من « شکایت مصرف‌کننده مالی » است، انتخاب کنید.

نماینده ترجیحی را که قبلاً ایجاد کردیم و نام آن را " نماینده شکایات مشتری " گذاشتیم انتخاب کنید.

برای ذخیره کار روی دکمه Save کلیک کنید.

چگونه اپلیکیشن خود را راه اندازی کنیم

اکنون، دست و پنجه نرم کنید زیرا ما در شرف آغاز بخش هیجان انگیز هستیم: ایجاد یک برنامه مکالمه. این برنامه منبع داده ما را به یک شریک چت تبدیل می کند و به شما امکان می دهد مکالمات تعاملی داشته باشید و بینش ها را از طریق زبان طبیعی باز کنید.

تا کنون، ما پایه و اساس برنامه خود را گذاشته ایم. ما ایجاد کرده ایم:

یک منبع داده

ابزار بازیابی اطلاعات

یک نماینده

وظایف

روی تب Apps کلیک کنید و سپس دکمه New App را بزنید و سپس جزئیات زیر را وارد کنید:

نام برنامه - نامی را که می خواهید به برنامه خود بدهید وارد کنید.

شرحی از برنامه ما را وارد کنید.

یک Tasks را انتخاب کنید

یک نماینده را انتخاب کنید

یک مدل مدیر چت را انتخاب کنید – مدل Open AI را که قبلاً پیکربندی کردیم انتخاب کنید.

حالا بیایید اپلیکیشن خود را تست کنیم.

با کلیک بر روی دکمه پخش، یک پنجره چت برای ما باز می شود که در آن می توانیم گفتگو کنیم.

یک پنجره واسط چت باید برای ما باز شود تا بتوانیم با داده های خود چت کنیم. به عنوان مثال، با داده‌هایی که استفاده کرده‌ام، می‌توانم از برنامه بخواهم برخی از مسائل مطرح شده توسط مشتریان مربوط به محصول وام مسکن را خلاصه کند.

یا می‌توانم پاسخ‌های شرکت مربوط به مسائل مختلف را خلاصه کنم.

نتیجه

در این آموزش، ساختن یک برنامه چت RAG با استفاده از Agent Cloud و Google Sheets را تحلیل کردیم.

ما راه‌اندازی Google Sheets را به‌عنوان منبع داده، جاسازی داده‌ها برای بازیابی کارآمد، و ذخیره آن‌ها در یک فروشگاه برداری مانند Qdrant پوشش دادیم. ما همچنین یاد گرفتیم که چگونه ابزارهایی برای Agents (قطعات ربات چت) ایجاد کنیم و یک رابط چت برنامه بسازیم که در آن کاربران بتوانند بدون نوشتن یک خط کد با داده ها تعامل داشته باشند.

اگر می‌خواهید مقالات جالب‌تری در مورد ابزارهای توسعه‌دهنده، React، Next.js، AI و موارد دیگر بخوانید، من شما را تشویق می‌کنم که وبلاگ من را تحلیل کنید.

برخی از مقالات تازه ای که امسال نوشته ام.

چگونه با Next.js و Firebase یک وبلاگ بسازم

چگونه با React و Appwrite یک برنامه مدیریت وظایف بسازم

چگونه با استفاده از React و Supabase یک برنامه Notes بسازم - راهنمای کامل

چگونه با Agent Cloud و BigQuery یک برنامه چت RAG بسازم

در صورت داشتن هرگونه سوال یا اصلاح می توانید با ما تماس بگیرید. من از آنها انتظار دارم

و اگر این آموزش برای شما مفید بود، لطفاً آن را با دوستان و همکاران خود که ممکن است از آن نیز بهره مند شوند، به اشتراک بگذارید. حمایت شما به من امکان می دهد به تولید محتوای مفید برای جامعه فناوری ادامه دهم.

اکنون زمان آن است که با مشترک شدن در خبرنامه و دنبال کردن من در توییتر، قدم بعدی را برداریم.

خبرکاو