作者：Priyanka Vergadia, Developer Advocate, Google

Anu Srivastava, Developer Advocate, AI/ML

在如今的办公环境下，在线协同工作至关重要，保持生产力也是关键，聊天机器人在协同工作中也发挥着至关重要的作用。为什么要使用聊天机器人？工作中我们经常需要将来自外部资源的信息整合到我们的沟通中，而聊天机器人可以帮助我们在一个地方找到全部的所需信息。在下面的内容中，我们将带领您了解一个机器人，而它的灵感来自于谷歌的一个真实用例。

在谷歌这样的大公司，要找出哪个人负责某个特定的产品领域可能比较困难。当客户团队遇到问题时，他们通常不得不通过许多 ad hoc trackers 去寻找答案，ad hoc trackers 例如这里 Sheets 中的一个示例（sample scrubbed data）。

当客户出门在外时，这会变得更加困难，尤其是如果客户不记得 Sheets 的 URL 以及不知道如何使用它来寻找答案时。不用在电子表格中进行筛选，而是直接发送聊天消息，看看应该联系谁来获得网络或安全方面的专业知识，那会怎么样？这就是 Dialogflow 和 Google Chat 相集成的好处。它可以帮助用户减少上下文切换，因为他们可以直接在谷歌聊天中提出问题，向与 Sheets API 集成在一起的 Dialogflow 内置聊天机器人提问，以此来找到答案。下面我们看看它是如何工作的！

如果您倾向于观看视频而不是阅读文章，我们在这个视频中分享了整个过程。

这个视频：

它是如何工作的

当用户在 Google Chat 中提出问题时，启动的聊天机器人会与 Dialogflow 集成，来进行自然的对话，Dialogflow 通过 Cloud Functions 实现与后端数据库或 Sheets集成（如图所示）。

① Google Sheets 中提取信息

要从 Sheet 中提取信息，我们首先需要确切地知道哪些信息与完成请求有关。在确定了我们需要的信息之后，再使用 Sheets API 来提取它们。

② 定义输入的短语

虽然编写一个基本的机器人，要求输入的内容按照预定的顺序进行格式化，会比较容易。但这样的机器人会很难使用，因为用户必须记住顺序并且需要完全正确地拼写所有的内容。而且，如果一个工具太难用，大家就不会去使用它。选择一个聊天机器人的关键是可用性，这意味着处理自然对话中出现的短语的能力，例如：

“谁负责 Gmail 的数据管理？”

“我想认识数据管理大师。”

“告诉我谁是数据管理专家？”

这就是 Dialogflow 的用武之地。Dialogflow 是一种自然语言理解平台，它简化了移动应用、Web 应用、机器人等对话式用户体验的设计和集成。

我们用三个简单的步骤构建了我们的机器人，如果已经看完了“解构聊天机器人”系列视频，应该会觉得很熟悉。

解构聊天机器人系列视频：

Step 1 定义实体

Dialogflow 使用在自然对话上训练的模型。但是，在使用这些模型之前，机器人需要了解上下文中的关键短语，例如角色类型、技能和账户名称（例如，账户专家、Gmail 和安全）。

Step 2 配置意图

意图本质上就是用户的问题。在这里，我们通过定义行动和参数来定义如何使用刚刚创建的实体。当机器人学习到了这些实体，这就是意图响应的来源。

· 动作和参数

您定义的实体用于配置操作和参数。在本例中，角色、技能和账户都是实现这一意图所需的参数（用户可以按照任意顺序提供这些参数）。如果用户忘记了一个，我们会定义了一个提示从用户那里获取。

· 训练短语

由于不同的人说话方式不同，因此我们使用训练短语来提供用户请求的不同示例。Dialogflow 使用了预训练的 NLP 模型，并且这些训练短语就是现实中的问题，有助于为我们的用例训练一个特定的模型。

Step 3 设置执行代码

执行（Fulfillment）是将一切粘合在一起的地方，在 Node.js Firebase 函数中连接所有的 API。在本例中，我们使用 Sheets API，但您可以连接到您选择的任何后端。详情请参考示例代码

示例代码：

一键式整合

Dialogflow 可以与许多受欢迎的对话平台相集成，例如 Google Chat、Google Assistant、Slack 等。可以直接将终端用户的交互交由它来处理，这样用户可以更专注于构建自己的代理。每个集成都以特定于平台的方式处理终端用户的交互，可以在下方文档中了解更多详情。

文档：

结论

构建一个集成了 Google Chat、Dialogflow 和 Sheets（或其他数据源）的聊天机器人是很简单的。想要了解更多细节，可以观看文初提到的《将 Dialogflow 与 Google Chat 相集成》的视频，在该视频中更深入地讲述了这一过程，并且可以在 GitHub 上查看完整的源代码。

源代码：