Guía de administración de Test Cloud

Trabajar con puesta a tierra de contexto

Primeros pasos​

Gestionar el proceso de ingestión​

• 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​

• 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.

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​

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​

• Extracción y comparación de datos: Contextualización puede identificar y extraer automáticamente tipos específicos de información de los documentos y luego compararlos de manera 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 facilite la comparación, incluso si la información tiene un formato diferente en cada currículum.
• 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​

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

Traer tu propia base de datos vectorial​

• 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.

• 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. 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.

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.
      • 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)​

• 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.

Preguntas frecuentes​

• BD vectorial gestionada como servicio: te facilitamos la conversión de tus datos en representaciones incrustadas.
• Recuperación de generación aumentada (RAG) como servicio: Context Grounding consulta datos de varios productos de automatización, recupera los resultados más relevantes y aumenta las solicitudes con esos resultados para garantizar que las generaciones sean más específicas.

• Límite de índice: hay un límite de diez índices por tenant. Te recomendamos que mantengas una relación 1-1 entre los depósitos de Orchestrator de los que estás ingiriendo datos para evitar la fuga de datos entre carpetas y garantizar la separación lógica de los datos que pueden necesitar ser consultados por diferentes usuarios para diferentes propósitos. Contextualización aprovecha los permisos de autorización de carpetas para ayudar a aplicar esta recomendación.
• Almacenamiento: no hay límite de almacenamiento en estos índices o dentro de ellos. Sin embargo, imponemos algunos límites a los clientes que han ingerido una cantidad de datos excesivamente alta.