Plurai

1) 選擇您想在 Plurai 中建立的內容: 決定您需要評估（離線評分）、防護措施（即時阻止/允許）還是分類器（語義標籤）。Plurai 支援對話評估、語義相似性、基礎驗證和策略合規性等任務。

2) 建立帳戶並開啟應用程式: 前往 http://app.plurai.ai/ 並啟動一個工作區（網站聲明無需信用卡）。

3) 描述您的代理的預期行為（「氛圍訓練」輸入）: 寫下您的代理應該做什麼和不應該做什麼（策略、失敗模式和成功標準）。此描述用於 Plurai 的意圖校準過程。

4) 選擇目標任務類型和覆蓋範圍: 選擇您希望模型執行的語義任務（例如，策略合規性、基礎驗證、對話品質）。為您的用例定義「通過/失敗」（或分數區間）的含義。

5) 生成量身定制的測試集（如果需要，可合成）: 如果您沒有標記或歷史數據，請使用 Plurai 的合成數據生成功能來創建符合您的策略和邊緣案例的高保真範例。

6) 訓練/生成評估器或防護措施模型: 執行 Plurai 的工作流程，為您的任務生成一個專用的小型語言模型（SLM）評估器/防護措施（或者在您需要對採樣/離線評估獲得最大準確性時，選擇優化的基於 LLM 的評估器）。

7) 使用生成的評估集驗證品質: 根據生成的測試集評估模型，以確認它始終能夠捕捉對您的業務至關重要的細微失敗（該網站將此定位為昂貴、不一致的 LLM 作為判斷評分的替代方案）。

8) 部署以用於預期模式（離線評估與即時防護措施）: 使用 SLM 進行大規模測試或即時防護措施（低延遲/成本），並使用基於 LLM 的評估器進行採樣/離線工作流程。該網站聲稱其方法的推斷延遲低於 100 毫秒。

9) 整合到您的代理管道中: 將 Plurai 評估器/防護措施添加到您的生產流程中：在對話中持續運行它（用於評估）或在回應到達用戶之前內聯運行它（用於防護措施）。

10) 迭代：完善策略並重新生成數據/模型: 當您發現新的失敗模式時，更新「應該/不應該」的描述，重新生成目標範例，並重新訓練/重新部署評估器/防護措施以提高覆蓋範圍。

11) (可選) 部署在您自己的基礎設施中: 如果您需要最大的安全性/數據控制/延遲，請透過 https://www.plurai.ai/contact-us 請求內部部署/VPC 部署。

12) (可選，開源) 使用 IntellAgent 進行基於模擬的評估: 如果您需要自動化的多輪模擬，請使用 Plurai 的開源 IntellAgent 框架：安裝 Python >= 3.9，克隆 https://github.com/plurai-ai/intellagent，運行提供的配置（範例：python run.py --output_path results/airline --config_path ./config/config_airline.yml），並使用以下方式可視化結果：streamlit run simulator/visualization/Simulator_Visualizer.py。