Knowledge Base Optimizer er et testværktøj, der viser dig, hvilke fragmenter af dine træningsdata chatbotten finder til et givent spørgsmål. Det anvender bottens videnshentning og sprogindstillinger for et enkeltstående spørgsmål. Værktøjet genspiller ikke en hel samtale og kalder heller ikke bottens butik eller andre handlinger, så det er ikke et nøjagtigt spor af hvert eneste live-svar.
Værktøjet er skrivebeskyttet: Test af et spørgsmål her ændrer ikke dine træningsdata og påvirker ikke din chatbot på nogen måde.
Hvor du finder det
Vælg din chatbot i hovedoversigten, og åbn fanen Training (Træning). I venstre kolonne, under listen over kildekategorier, klikker du på Knowledge Base Optimizer.
Hvis du endnu ikke har trænet din chatbot, skal du starte med at tilføje træningsdata først - optimeringsværktøjet kan kun søge i viden, der allerede er blevet trænet.
Test af et spørgsmål
- Skriv et spørgsmål i feltet Message (Besked) - ideelt set et rigtigt spørgsmål, dine besøgende stiller, eller et spørgsmål, som chatbotten for nylig besvarede dårligt.
- Klik på Submit (Indsend).
- Efter et øjeblik vises de matchende vidensfragmenter nedenfor, sorteret efter hentningsrangering og sprogpolitik.
Sådan læser du resultaterne
Hver resultatlinje repræsenterer ét fragment af dine træningsdata:
- Match - procentsatsen til venstre viser, hvor tæt fragmentet matcher dit spørgsmål. Brug det som et signal om lighed, ikke som en procentvis sandsynlighed for, at et svar er korrekt. Sprogpræferencer og genrangering kan også påvirke rækkefølgen.
- Source (Kilde) - rækkens overskrift viser kildetypens ikon og navn, for eksempel URL'en på den trænede side, et filnavn eller en Q&A-post.
- Language badge (Sprogmærkat) - det lille mærkat ved siden af kilden viser, hvilket sprog fragmentet er tagget med. Kilder uden et sprogtag viser "any", hvilket betyder, at de bruges til alle sprog.
- Fragment content (Fragmentindhold) - klik på en række for at folde den ud og læse den præcise tekst, som chatbotten ville modtage.
Rækkefølgen har betydning. Resultaterne rangeres efter relevans, og chatbotten læser dem i denne rækkefølge fra oven, indtil dens budget for videnskontekst er opbrugt. Budgettet afhænger af bottens Chat Context Size og hukommelsesindstillinger - fragmenter, der ikke passer inden for budgettet, skæres væk fra bunden. Hvis det fragment, du forventede, mangler eller ligger meget lavt på listen, bruger chatbotten det sandsynligvis ikke, når den svarer.
Sprogpolitik
Over beskedfeltet forklarer linjen Language policy (Sprogpolitik), hvordan din bot behandler kildesprog under søgningen. For en bot uden sprogfiltrering søger den i alle kilder samlet. Med Multi-language kan den konfigurerede politik begrænse hentningen til hovedsproget eller den besøgendes sprog, sammen med det valgte fallback og sproguafhængige kilder. Læs den viste politik, før du fortolker manglende resultater.
For flersprogede botter vises der en ekstra informationslinje under beskedfeltet efter hver søgning. Den viser Detected message language (sprog registreret i besked - det sprog, værktøjet genkendte i dit spørgsmål), Searched languages (søgte sprog - hvilke kildesprog der var inkluderet i søgningen), og, hvis værktøjet omformulerede dit spørgsmål for at søge bedre, Refined query (forfinet forespørgsel), som det faktisk brugte.
Hvornår det skal bruges
- Chatbotten svarer forkert eller siger, at den ikke ved det. Test det samme spørgsmål her. Hvis det rigtige fragment mangler, skal du først tjekke den oprindelige kilde, dens fuldførte træningsstatus, sprogtag og den viste sprogpolitik. Manglende resultater kan også afspejle rangering eller kontekstbudgettet; de er ikke et endegyldigt bevis på, at informationen mangler helt. Tilføj eller ret først indhold, når du har identificeret manglen.
- Efter gentræning. Når du gentræner dine kilder, bør du køre et par typiske spørgsmål for at kontrollere, at det opdaterede indhold hentes som forventet.
- Før lancering. Test de mest almindelige spørgsmål, som dine besøgende vil stille, og bekræft, at hver af dem returnerer relevante fragmenter nær toppen.
Hvis resultaterne afslører mangler, kan du forbedre dine træningsdata og teste igen - ændringerne bliver tilgængelige, når træningen er fuldført. Test derefter svaret under Overview (Oversigt), inklusive et realistisk opfølgende spørgsmål. Se Sådan forbedrer du chatbotsvar for en mere omfattende vejledning.