Popis flow
Účel a výhody
Přehled
Tento workflow automatizuje proces získávání zákaznických zpráv z ticketovacího nebo podpůrného systému, extrahuje poslední relevantní zprávu, obohacuje ji o kontext a historii chatu a následně využívá pokročilou AI (LLM) v kombinaci se znalostními nástroji pro generování profesionálních, vícejazyčných odpovědí zákaznické podpory. Proces následně připraví a odešle tyto odpovědi zpět do externích systémů, což je ideální pro škálování a automatizaci zákaznické podpory, vyhledávání znalostí a integraci s externími API.
Postup krok za krokem
1. Získání a příprava vstupu
- Chat vstup: Workflow může přímo přijímat příchozí chatové zprávy.
- Vytváření promptu pro API: Systém používá šablonu promptu k dynamické konstrukci URL pro získání zpráv z ticketu přes externí API (např.
https://arshiakahani.ladesk.com/api/v3/tickets/{input}/messages
). Umožňuje to flexibilní získání dat na základě příchozích uživatelských údajů. - Konstrukce parametrů dotazu: Uzel pro tvorbu dat se používá k dynamickému sestavení potřebných parametrů dotazu pro API požadavek.
2. Získání externích dat
- API požadavek: Pomocí sestavené URL a parametrů workflow odešle GET požadavek pro získání historie zpráv ticketu z externího ticketovacího systému. Autentizace pomocí API klíče je podporována přes hlavičky.
- Parsování získaných dat: Po vrácení dat API je uzel parseru strukturuje a převádí do čistého textu pomocí šablon, aby byly vhodné pro následné AI zpracování.
- Extrakce pomocí LLM: OpenAI LLM (např. GPT-4.1) se používá se systémovým promptem k extrakci pouze nejnovější uživatelské zprávy z dat ticketu (konkrétně zprávy typu “M”) — je tak zajištěno, že se dále zpracovává pouze relevantní obsah.
- Obohacení promptu: Extrahovaná zpráva a kontext chatu jsou vloženy do sofistikované šablony promptu, která zahrnuje historii konverzace a segmentaci poslední zprávy, čímž se připraví vstup pro hlavního podpůrného agenta.
4. Obohacení znalostí
- Historie chatu: Systém může vyhledat posledních N zpráv v konverzaci pro zajištění návaznosti a bohatšího kontextu.
- Vyhledávání v dokumentech: Nástroj pro vyhledávání v dokumentech prohledává interní/externí znalostní báze (volitelně včetně Google Docs) pro relevantní informace k dotazu zákazníka. To je zásadní pro ukotvení odpovědí v aktuálních a přesných znalostech.
- Integrace nástrojů: Jak vyhledávač dokumentů, tak Google Docs retriever jsou registrovány jako “nástroje” dostupné agentovi, což umožňuje dynamické vyhledávání během generování odpovědi.
5. Generování odpovědi řízené agentem
- Agent s voláním nástrojů: Jádrem je agent s voláním nástrojů (poháněný LLM), který přijímá obohacený prompt, historii chatu a přístup k nástrojům znalostí. Jeho úkolem je určit záměr uživatele, vyhledat odpovědi ve znalostní bázi/nástrojích a sestavit stručnou, přátelskou a profesionální odpověď.
- Agent vždy odpovídá ve slovenštině jako výchozím jazyce, nebo přepne do jazyka zákazníka, pokud je detekován jiný jazyk.
- Je vynuceno strukturované formátování: krátké odstavce, tučný text pro zvýraznění, odrážky a emotikony pro zapojení.
- Agent upřednostňuje použití získaných znalostí, nikdy si nevymýšlí fakta ani URL, v případě potřeby žádá o upřesnění a nevyřešené případy eskaluje lidským agentům.
- Všechny odpovědi dodržují tón a strukturu zákaznické podpory vhodné pro e-mailovou komunikaci.
6. Postprocessing a výstup
- Formátování odpovědi: Odpověď agenta je dále zpracována prostřednictvím šablon promptů pro sestavení vícejazyčného výstupu (např. ve slovenštině i původním jazyce zákazníka).
- Generování LLM: Další uzel LLM může generovat nebo překládat části výstupu dle potřeby.
- Integrace API pro odchozí zprávy: Workflow dynamicky sestavuje datové objekty pro odchozí API požadavky, zabalí vygenerovanou odpověď a odešle ji (typicky přes POST) do příslušného externího systému.
- Parsování a finální výstup: Odpovědi odchozího API lze parsovat a zobrazit v chatovacím playgroundu nebo je odeslat zpět do uživatelského rozhraní.
Klíčové komponenty a jejich účel
Komponenta | Účel |
---|
Chat Input | Přijímá zprávy uživatele/zákazníka |
Prompt Template | Dynamicky sestavuje URL a prompty pro zprávy |
API Request | Získává data/zprávy z ticketu z externího systému |
Parse Data | Převádí strukturovaná data na čistý text |
OpenAI LLM | Extrahuje relevantní zprávy, generuje nebo překládá odpovědi |
Document Retriever | Vyhledává relevantní informace ve znalostní bázi |
Google Docs Retriever | Integruje externí dokumenty jako znalosti pro agenta |
Tool Calling Agent | Centrální AI podpůrný agent — využívá nástroje a historii chatu |
Create Data | Balí odpovědi a data pro odchozí API požadavky |
Chat Output | Zobrazuje finální výsledek koncovému uživateli nebo systému |
Notes | Poskytuje operátorům instrukce (např. kam zadat API klíče/URL) |
Použití a přínosy
- Automatizovaná zákaznická podpora: Zefektivňuje proces extrakce, obohacení a odpovídání na zákaznické dotazy profesionálními, přesnými a na kontextu založenými odpověďmi.
- Vícejazyčná podpora: Automaticky detekuje a odpovídá v jazyce zákazníka, překlady a formátování zajišťuje workflow.
- Škálovatelný management znalostí: Integruje více zdrojů znalostí (interní dokumenty, Google Docs atd.) pro komplexní a aktuální odpovědi.
- Bezproblémová integrace s externími systémy: Snadno se propojí s různými API jak pro příchozí (získávání zpráv), tak odchozí (odesílání odpovědí) akce.
- Eskalace s člověkem v procesu: Automaticky předává nevyřešené nebo nejasné případy lidským agentům, což zajišťuje vysokou kvalitu podpory.
Proč je tento workflow užitečný pro škálování a automatizaci
- Snižuje ruční práci: Automatizací získávání dat, extrakce zpráv, budování kontextu a generování odpovědí minimalizuje potřebu lidského zásahu u rutinních podpůrných dotazů.
- Konzistence a kvalita: Zajišťuje, že veškerá komunikace se zákazníky odpovídá firemnímu tónu, formátu a přesnosti informací bez ohledu na agenta nebo směnu.
- Rychlá adaptace: Snadno se propojuje s novými zdroji dat nebo API, přizpůsobuje se novým jazykům a lze jej škálovat na větší objemy podpory s minimální konfigurací navíc.
- Zlepšení spokojenosti zákazníků: Rychlé, relevantní a přátelské odpovědi — šité na míru jazyku a dotazu každého zákazníka — vedou k lepším zkušenostem a loajalitě.
Vizualizace workflow (zjednodušená)
Níže je zjednodušené schéma hlavních kroků:
- Chat vstup / API dotaz →
- Získání zpráv z ticketu (API Request) →
- Parse Data →
- Extrakce poslední uživatelské zprávy (LLM) →
- Obohacení promptu o kontext a historii →
- Získání znalostí (Document/Google Docs Retriever) →
- Agent s voláním nástrojů (LLM) generuje odpověď →
- Formátování/překlad/odeslání odpovědi (API Request) →
- Zobrazení/doručení výstupu
Tento workflow je robustním základem pro každou organizaci, která chce automatizovat a škálovat zákaznickou podporu, technickou asistenci nebo workflow pro doručování informací, kde je potřeba integrace s externími API, znalostními bázemi a pokročilými AI odpověďmi.