Platform For AI:LangStudio を使用した意図認識カスタマーサービスフローの構築

処理パイプライン

このフローは、各ユーザークエリを以下のステージで処理します：

1. 分類：意図認識ノードがクエリを LLM に送信し、LLM がクエリを事前定義された意図カテゴリにマッピングします。

2. 再書き込み：質問再書き込みノードが、取得精度を向上させるためにクエリを再構成します。

3. 取得：ナレッジ取得ノードが、ベクターインデックス化されたナレッジベースを検索し、最も関連性の高いドキュメントを返します。

4. 回答：ユーザー質問回答ノードが、取得したコンテキストと元のクエリを組み合わせ、LLM を通じて最終的な応答を生成します。

5. マージ：変数マージノードが、すべての意図ブランチからの出力を単一の応答変数に統合します。

事前定義されたどの意図にも一致しないクエリは、その他意図ノードがカスタム Python ロジックで処理します。

例：意図分類によるクエリのルーティング

ビルドとデプロイのフェーズ

前提条件

開始する前に、以下が準備できていることを確認してください：

• LangStudio へのアクセス権を持つ PAI ワークスペース

• Object Storage Service (OSS) にアップロードされた RAG ナレッジベースデータ

• (任意) ベクターデータベースとして Milvus を使用する場合は、Milvus データベース

ステップ 1：(任意) LLM と埋め込みモデルのデプロイ

このフローには、意図認識と応答生成のための LLM、およびナレッジベースコンテンツをベクター化するための埋め込みモデルという 2 つのモデルサービスが必要です。OpenAI 互換 API を公開するモデルサービスをすでにデプロイしている場合は、このステップをスキップしてください。

[クイックスタート > モデルギャラリー] から、両方のモデルをデプロイします：

1. LLM -- [大規模言語モデル] を [シナリオ] セクションで選択し、[DeepSeek-R1] をデプロイします。モデルは、モデルギャラリーで「DeepSeek-R1-0528」などのバージョン付きの名前で表示される場合があります。詳細な手順については、「DeepSeek-V3 および DeepSeek-R1 のワンクリックデプロイ」をご参照ください。

2. 埋め込みモデル -- [埋め込み] を [シナリオ] セクションで選択し、[bge-m3 埋め込みモデル] をデプロイします。

ステップ 2：接続の作成

接続は、アプリケーションフローをモデルサービスにリンクします。LLM 用と埋め込みモデル用にそれぞれ 1 つずつ接続を作成します。

2.2 埋め込み接続の作成

手順 1 でデプロイされた埋め込みモデルの接続を作成するには、2.1 の同じ手順に従います。「[接続タイプ]」で、「[一般埋め込みモデル サービス]」を選択します。

ステップ 3：ナレッジベースインデックスの作成

ナレッジベースインデックスは、コーパスを解析、チャンク化、ベクター化し、ベクターデータベースに保存することで、フローがクエリ時に適切なコンテンツを取得できるようにします。

LangStudio でワークスペースを選択し、[ナレッジベース] タブに移動します。 次のキーパラメーターで新しいインデックスを作成します。

他のすべてのパラメーターについては、「ナレッジベースインデックスの作成」をご参照ください。

出力 OSS パスの選択方法

Faiss を使用する場合、インデックスファイルは OSS に保存されます。パスは RAM ロールの設定によって異なります：

• デフォルトの PAI ロール ([ランタイムの開始] ページで [インスタンス RAM ロール] を [PAI のデフォルトロール] に設定)：フローは、ワークスペースのデフォルトのストレージバケットにアクセスできます。 [出力 OSS パス] を、そのバケットの ストレージパス 内のディレクトリに設定します。

• カスタム RAM ロール：カスタムロールに OSS アクセス権限を付与する。 AliyunOSSFullAccess ポリシーをアタッチするのが最も簡単な方法です。

ステップ 4：アプリケーションフローの作成と実行

4.3 ノードの設定

テンプレートには事前設定済みのノードが含まれています。以下の主要なノードを確認し、更新してください：

意図認識

このノードは、ユーザークエリを LLM に送信し、LLM は各クエリを事前定義された意図カテゴリのいずれかに分類します。分類結果に基づいて、フローは対応するブランチノードにルーティングされます。

パラメーター	設定方法
マルチインテント設定	意図カテゴリを定義します。各意図には明確で具体的な説明が必要です。カテゴリ間の意味的な重複を避けてください。たとえば、「製品に関する質問」と「使用方法に関する質問」が同様のトピックをカバーしている場合、両方を作成しないでください。デフォルトの意図は「Alibaba Cloud PAI に関する問題」です。
モデル設定	ステップ 2.1 で作成した LLM 接続を選択します。
[チャット履歴]	オンにすると、以前の会話のターンが入力として含まれ、複数ターンの対話が可能になります。

質問の再書き込み

ユーザーのクエリが以前のコンテキスト (「それについてはどうですか？」など) を参照している場合、このノードは LLM を呼び出して、クエリを自己完結型の質問に再書き込みします。これにより、ナレッジ取得ノードでの取得精度が向上します。

パラメーター	設定方法
モデル設定	ステップ 2.1 で作成した LLM 接続を選択します。
チャット履歴	意図認識ノードの設定と一致させます。

ナレッジの取得

このノードは、ベクターインデックス化されたナレッジベースを検索し、再書き込みされたクエリに対して最も関連性の高いドキュメントを返します。

パラメーター	設定方法
インデックス名	ステップ 3 で作成したナレッジベースインデックスを選択します。
Top K	返す上位一致ドキュメントの数。

詳細については、「ナレッジベースインデックスの使用」をご参照ください。

ユーザー質問への回答

このノードは、取得したドキュメントとユーザークエリを組み合わせ、LLM を呼び出して最終的な回答を生成します。

パラメーター	設定方法
モデル設定	ステップ 2.1 で作成した LLM 接続を選択します。
チャット履歴	意図認識ノードの設定と一致させます。

その他の意図

事前定義されたどの意図にも一致しないクエリを処理します。カスタム Python コードを使用して、フォールバックロジック (デフォルトメッセージの返却や人間のオペレーターへのエスカレーションなど) を実装します。

変数のマージ

すべての意図ブランチ (一致した意図とその他の意図) からの出力を単一の変数にマージします。これにより、後続のノードと最終出力が、どのブランチが実行されたかに関係なく結果を参照できるようになります。

各コンポーネントの詳細については、「アプリケーションフローの開発」をご参照ください。

4.4 実行とデバッグ

右上隅の[実行]をクリックして、アプリケーション フローを実行します。

フローが応答を生成した後、回答の下にある[トレースの表示]をクリックすると、一致した意図、取得されたドキュメント、および完全なトレース トポロジーを含む実行パスを確認できます。

一般的なランタイムの問題については、「よくある質問」をご参照ください。

ステップ 5：アプリケーションフローのデプロイ

アプリケーションフロー開発ページで、右上隅にある[デプロイ]をクリックします。フローは EAS サービスとしてデプロイされます。

以下の主要なパラメーターを設定します：

他のすべてのパラメーターと詳細な手順については、「アプリケーションフローのデプロイ」をご参照ください。

ステップ 6：サービスの呼び出し

デプロイ後、PAI は EAS ページにリダイレクトします。

1. [オンラインデバッグ] タブを開きます。

2. JSON ボディを含むリクエストを送信します。[チャット入力] フィールドは、アプリケーションフローの [開始ノード] 内のフィールドと一致する必要があります。デフォルトのフィールド名は question です。

      {
        "question": "How do I deploy a model on PAI-EAS?"
      }

API 連携など、サービスを呼び出すその他の方法については、「サービスの呼び出し」をご参照ください。

参考資料

• よくある質問

• ランタイムの管理

• 接続の作成

• ナレッジベースインデックスの管理

• アプリケーションフローの開発

• アプリケーションフローのデプロイ