Data Store Agent 虛擬 FAQ
課程概述
企業每天都會收到一堆重複的問題，像是退貨政策、產品規格、帳號管理、操作流程。Data Store Agent 可以把你現有的文件、FAQ、網站內容，直接變成一套 AI 知識問答系統。你不用手動標註 Intent，也不用自己寫對話流程，只要把文件上傳上去，Vertex AI Search 會自動建好索引，剩下理解問題、生成回答的部分就交給 Dialogflow CX 的 Data Store Agent。
你將學到
- 理解 Data Store Agent 的架構與資料流
- 在 Vertex AI Search 中建立不同類型的資料存儲區
- 設定 Dialogflow CX 的 Data Store Handler
- 掌握文件前處理與結構化最佳實踐
- 調校搜尋品質與回答準確度
核心概念
什麼是 Data Store Agent？
Data Store Agent 是 Dialogflow CX 裡的一種 Agent 類型。它會把使用者的問題丟到 Vertex AI Search 的 Data Store 去檢索，再用 LLM 把檢索結果整理成一段自然語言的回答。說穿了，它就是一套幫你預先搭好的 RAG（Retrieval-Augmented Generation）系統。
資料存儲區類型
Vertex AI Search 支援三種資料來源：
| 類型 | 來源 | 適用場景 |
|---|---|---|
| 網站 | 指定 URL 清單或網域 | 將公司官網、Help Center 轉為問答系統 |
| 非結構化文件 | Cloud Storage 中的 PDF、HTML、DOCX 等 | 產品手冊、內部文件、政策文件 |
| 結構化資料 | BigQuery 表或 JSON/CSV 檔案 | 產品目錄、價格表、常見問題資料庫 |
Grounding 與引用
Data Store Agent 的回答不是憑空生出來的，每個回答都會附上引用來源（Citation）。使用者可以點引用連結去看原始文件，確認這個回答可不可信。這點對企業來說很重要：AI 講的話必須有據可查。
搜尋品質的三個槓桿
- 文件品質 — 輸入是什麼品質，輸出大概就是什麼品質。結構清楚、內容完整的文件，效果會比格式亂七八糟的掃描 PDF 好很多
- Chunk 策略 — Vertex AI Search 會把文件切成一段一段的片段（chunk）來建索引，chunk 切多大會直接影響檢索的精準度
- Boost 控制 — 你可以調高特定文件或屬性的權重，例如讓最新版本的文件排在前面
FAQ 資料的特殊優勢
如果你手邊有整理好的 FAQ 資料（也就是問題配上答案），效果會比純文件好很多。原因是：
- 每筆 FAQ 本身就是一個完整的「問題→答案」單位
- 搜尋匹配更準，使用者怎麼問，會直接對到既有的問題
- 不用再讓 LLM 從一大篇長文件裡撈資料、拼湊答案
實作重點
- 建好 Data Store 之後要等索引跑完，通常 5-30 分鐘，看你資料量多大
- 在 Dialogflow CX 新增 Data Store Handler 時，記得選「Generative」模式，這樣才會啟用 LLM 合成
- 上傳文件前先把格式整理一下，把頁首頁尾、頁碼、浮水印這些雜訊清掉
- 善用 metadata（像是文件類別、更新日期），搜尋時就能拿來過濾
- 一個常見的坑：PDF 裡的表格和圖片資訊可能會掉，建議把關鍵的表格改寫成文字說明
Lab 導讀
Lab 連結：Virtual FAQ with data store agents — Google Cloud Skills Boost
這個 Lab 會帶你從零做出一套企業 FAQ 系統。你會把文件上傳到 Cloud Storage、在 Vertex AI Search 建立 Data Store、設定 Dialogflow CX 的 Data Store Agent，最後做出一個能回答公司政策和產品問題的虛擬助手。做的時候重點看一下：回答的品質，跟它引用的來源對不對得上。
延伸學習
- Google Agentspace 入門 — 更大規模的企業知識搜尋平台
- Generative Playbooks 建構代理 — 結合 Data Store Tool 與 Playbook 建構更完整的 Agent
- Agent Assist 與 GenAI 功能 — 將知識問答能力應用到客服中心場景