Guía de administración de Test Cloud

• Consulta una base de datos vectorial externa desde un agente de UiPath.
• Devuelve el contenido más relevante como contexto estructurado.
• Ground agent responses in your organization's data securely and in real time.

• 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​

1. Consulta del usuario: el usuario envía una solicitud al agente.
2. Tool selection: The agent's LLM determines that additional context is required and selects the custom vector search tool.
3. API Workflow execution: The agent invokes the published API Workflow, passing the user's query as input.
4. Búsqueda de vectores: el flujo de trabajo consulta la base de datos de vectores para recuperar el contenido más relevante semánticamente.
5. Context return: The workflow returns the retrieved content as structured JSON.
6. Formulación de respuesta: el agente utiliza este contexto para generar una respuesta precisa y fundamentada.

Información general sobre la arquitectura​

• 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​

• 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​

• 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​

Búsqueda vectorial de Databricks (punto final nativo del modelo)​

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

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)​

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

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.
      • Method: POST.
      • Headers: Add an api-key header with your Azure AI Search API key variable, as follows: api-key: <API key>.
      • Body: Construct the JSON body for the Azure AI Search vector search query, embedding your queryVector variable.
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)​

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

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:
     assignment

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

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