AI zákaznický podpůrný agent s znalostní bází a rozšířením přes API

Tento AI workflow automatizuje zákaznickou podporu kombinací interního vyhledávání ve znalostní bázi, získávání znalostí z Google Docs, integrací API a pokročilého uvažování jazykových modelů. Agent odpovídá slovensky nebo v jazyce zákazníka, vždy poskytuje aktuální informace a v případě potřeby může eskalovat na lidskou podporu. Ideální pro firmy, které hledají vícejazyčnou, automatizovanou a na kontextu založenou zákaznickou službu.

Jak AI Flow funguje - AI zákaznický podpůrný agent s znalostní bází a rozšířením přes API

Flow

Jak AI Flow funguje

Přijetí zákaznického dotazu.
Workflow zachytí zákaznické dotazy z chat vstupu a získá nedávnou historii chatu pro kontext.
Shromáždění znalostí z interních a externích zdrojů.
Workflow prohledává interní dokumentové úložiště i propojené Google Docs pro relevantní informace ze znalostní báze pomocí nástrojů pro vyhledávání v dokumentech.
Obohacení a analýza dat přes API.
ID zákaznických zpráv jsou použita k volání externích API, získání historie zpráv a parsování potřebných informací pro obohacení kontextu.
Odpověď AI agenta a vícejazyčná generace.
Pokročilý AI agent využívá získaný kontext, zdroje znalostí a jazykové modely ke generování odpovědí ve slovenštině nebo jazyce zákazníka, zajišťuje profesionální, stručné a přesné odpovědi.
Odpověď zákazníkovi a eskalace v případě potřeby.
Agent předá odpověď zákazníkovi včetně relevantních odkazů a informací a v případě, že dotaz nelze automaticky vyřešit, eskaluje na lidskou podporu.

Prompty použité v tomto flow

Prompt (PromptTemplate-xAz1P)

Vytvořte šablonu promptu s dynamickými proměnnými ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

---CONVERSATION HISTORY---
{context}
---

---LATEST MESSAGE---
{input}
---

Prompt (PromptTemplate-4mVjl)

Vytvořte šablonu promptu s dynamickými proměnnými ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

---CHAT HISTORY---
{chat_history}
---

---CUSTOMER QUERY---
{context}
---

---LLM RESPONSE---
{input}
---

The final output presented to the agent should include:

        the original CUSTOMER QUERY

        the Slovak translation of the CUSTOMER QUERY


       LLM RESPONSE in Slovak

       LLM RESPONSE in the customer's language (to be sent)

Prompt (PromptTemplate-u9XGO)

Vytvořte šablonu promptu s dynamickými proměnnými ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

https://arshiakahani.ladesk.com/api/v3/tickets/{input}/messages

Prompt (PromptTemplate-5nKVc)

Vytvořte šablonu promptu s dynamickými proměnnými ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

https://YOURCOMPANY.ladesk.com/api/conversations/{human_input}/messages

Generator (Generator-eSD0Q)

Generujte text pomocí vstupního promptu a zvoleného LLM modelu.

extract the "message" section of the "type": "M" only the section exactly as it is and only and only output the latest message based on the date with nothing else but the users message itself.

Tool Calling Agent (ToolCallingAgent-K7dur)

Agent s voláním nástrojů.

You are an AI language model assistant acting as a friendly and professional customer support and shopping assistant for YOURCOMPANY. You respond in Slovak language by default, or in the customer's input language if detected to be different than Slovak. AND ALWAYS USE EMAIL TONE AND FORMAT.

<u>Your role:</u>

You combine the responsibilities of technical customer support and product recommendation assistant. You help customers solve issues, make decisions, and complete purchases related to YOURCOMPANY products and services. Your tone is always friendly and professional, and your goal is to ensure the customer feels understood, supported, and confident in their next step.

<u>Your Goal:</u>

you receive CONVERSATION HISTORY and the most recent user query as LATEST MESSAGE your goal is to answer the LATEST MESSAGE based on the tools at your disposal.&#x20;

<u>Identify intent and provide answers:</u>

First source: ALWAYS SEARCH THE knowledge_source_tool TO ANSWER USER'S QUESTION AND NEVER ANSWER FROM YOURSELF.

Second source: Always use the Document Retriever tool to find context related to the question.

If relevant context is found:

Use it to provide accurate, concise answers.

Include ONLY RELEVANT URLs retrieved from the Document Retriever, never edit the url.

Never invent product names and category names. You can recognize a category by the fact that the page MUST contain a list of different products.; use only those available in your knowledge base.

Follow the information exactly as stated in the reference.

If no relevant context is found and the question is about YOURCOMPANY:

Ask polite clarifying questions to gather more details.

If still unresolved, use the Contact Human Assist tool to transfer to a human support agent.

If the customer’s message is unclear or incomplete:

Do not guess — always ask for more information before answering.

If the customer shows interest in a specific product:

Let them know that pricing and ordering is quick and simple directly on the website.

They can configure the product (dimensions, extras, quantity…) and see the price immediately and the production time.

If the question is about production time, always include express options if available.

For inquiries not related to YOURCOMPANY:

Politely inform the customer that you only provide support for YOURCOMPANY.

Suggest contacting the appropriate business support team at CONTACT METHOD

<u>Resource Utilization:</u>

Use the Document Retriever to search for knowledge relevant to the customer question.

Use the Contact Human Assist tool to escalate if needed.

Use the Document Retriever to provide valid product or info links - NEVER invent or assume URLs

<u>Formatting:</u>

Your tone is always friendly, clear, and professional.

The answers should be SHORT - max. about 100-200 tokens.

Use structured formatting:

Short paragraphs

Bold text for emphasis

Bullet points where appropriate

Emojis to make the messages more engaging 😊

Write in plain text format. Do not use markdown.

Komponenty použité v tomto flow

Níže je kompletní seznam všech komponent použitých v tomto flow pro dosažení jeho funkčnosti. Komponenty jsou stavební bloky každého AI Flow. Umožňují vám vytvářet složité interakce a automatizovat úkoly propojením různých funkcionalit. Každá komponenta slouží specifickému účelu, jako je zpracování uživatelského vstupu, zpracování dat nebo integrace s externími službami.

Vstup z chatu

Komponenta Vstup z chatu ve FlowHunt zahajuje interakce s uživatelem tím, že zachycuje zprávy z Playgroundu. Slouží jako výchozí bod pro toky a umožňuje workflow zpracovávat vstupy jak ve formě textu, tak souborů.

Zobrazit Vstup z chatu

Komponent Prompt ve FlowHunt

Zjistěte, jak komponenta Prompt ve FlowHunt umožňuje definovat roli a chování vašeho AI bota a zajistit relevantní a personalizované odpovědi. Přizpůsobte prompty a šablony pro efektivní, kontextově uvědomělé chatbot flow.

Zobrazit Komponent Prompt ve FlowHunt

Vytvořit Data

Komponenta Vytvořit Data vám umožňuje dynamicky generovat strukturované datové záznamy s volitelným počtem polí. Ideální pro workflowy, které vyžadují tvorbu nových datových objektů za běhu, podporuje flexibilní nastavení polí a bezproblémovou integraci s dalšími automatizačními kroky.

Zobrazit Vytvořit Data

API požadavek

Integrujte externí data a služby do svého workflow pomocí komponenty API Request. Snadno odesílejte HTTP požadavky, nastavujte vlastní hlavičky, tělo a parametry dotazu a pracujte s různými metodami jako GET a POST. Nezbytné pro propojení vašich automatizací s jakýmkoli webovým API nebo službou.

Zobrazit API požadavek

Parse Data

Komponenta Parse Data převádí strukturovaná data na prostý text pomocí přizpůsobitelných šablon. Umožňuje flexibilní formátování a převod datových vstupů pro další využití ve vašem workflow, pomáhá standardizovat nebo připravit informace pro navazující komponenty.

Zobrazit Parse Data

Generátor

Prozkoumejte komponentu Generátor ve FlowHunt—výkonné generování textu pomocí AI s vybraným LLM modelem. Snadno vytvářejte dynamické odpovědi chatbotů kombinováním promptů, volitelných systémových instrukcí a dokonce i obrázků jako vstupu, což z něj činí klíčový nástroj pro budování inteligentních konverzačních workflow.

Zobrazit Generátor

LLM OpenAI

FlowHunt podporuje desítky modelů pro generování textu, včetně modelů od OpenAI. Zjistěte, jak používat ChatGPT ve svých AI nástrojích a chatbotech.

Zobrazit LLM OpenAI

Komponenta Historie Chatu

Komponenta Historie chatu ve FlowHunt umožňuje chatbotům pamatovat si předchozí zprávy, což zajišťuje koherentní konverzace a lepší zákaznickou zkušenost při optimalizaci paměti a využití tokenů.

Zobrazit Komponenta Historie Chatu

Agent pro volání nástrojů

Prozkoumejte agenta pro volání nástrojů ve FlowHunt—pokročilou komponentu workflow, která umožňuje AI agentům inteligentně vybírat a používat externí nástroje pro odpovědi na složité dotazy. Ideální pro tvorbu chytrých AI řešení, která vyžadují dynamické využití nástrojů, iterativní uvažování a integraci s více zdroji.

Zobrazit Agent pro volání nástrojů

Vyhledávač dokumentů

Document Retriever od FlowHunt zvyšuje přesnost AI tím, že propojuje generativní modely s vašimi aktuálními dokumenty a URL adresami, čímž zajišťuje spolehlivé a relevantní odpovědi pomocí Retrieval-Augmented Generation (RAG).

Zobrazit Vyhledávač dokumentů

Google Docs Retriever

Integrujte své pracovní postupy s Google Docs pomocí komponenty Google Docs Retriever—pohodlně získávejte obsah dokumentů pro použití v automatizacích, chatbotech nebo znalostních procesech. Ideální pro přístup, zpracování a využití vašich Google Docs v rámci FlowHunt toků.

Zobrazit Google Docs Retriever

Chat Output

Objevte komponentu Chat Output ve FlowHunt—dokončete odpovědi chatbota pomocí flexibilních, vícedílných výstupů. Nezbytné pro hladké dokončení toku a tvorbu pokročilých, interaktivních AI chatbotů.

Zobrazit Chat Output

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.

3. Extrakce zprávy a předzpracování

  • 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

KomponentaÚčel
Chat InputPřijímá zprávy uživatele/zákazníka
Prompt TemplateDynamicky sestavuje URL a prompty pro zprávy
API RequestZískává data/zprávy z ticketu z externího systému
Parse DataPřevádí strukturovaná data na čistý text
OpenAI LLMExtrahuje relevantní zprávy, generuje nebo překládá odpovědi
Document RetrieverVyhledává relevantní informace ve znalostní bázi
Google Docs RetrieverIntegruje externí dokumenty jako znalosti pro agenta
Tool Calling AgentCentrální AI podpůrný agent — využívá nástroje a historii chatu
Create DataBalí odpovědi a data pro odchozí API požadavky
Chat OutputZobrazuje finální výsledek koncovému uživateli nebo systému
NotesPoskytuje 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:

  1. Chat vstup / API dotaz →
  2. Získání zpráv z ticketu (API Request) →
  3. Parse Data →
  4. Extrakce poslední uživatelské zprávy (LLM) →
  5. Obohacení promptu o kontext a historii →
  6. Získání znalostí (Document/Google Docs Retriever) →
  7. Agent s voláním nástrojů (LLM) generuje odpověď →
  8. Formátování/překlad/odeslání odpovědi (API Request) →
  9. 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.

Nechte nás vybudovat váš vlastní AI tým

Pomáháme společnostem jako je ta vaše vyvíjet inteligentní chatboty, MCP servery, AI nástroje nebo jiné typy AI automatizace pro nahrazení lidské práce u opakujících se úkolů ve vaší organizaci.

Naplánovat demo Vyzkoušet nyní

Zjistit více

AI zákaznický podpora agent pro LiveAgent
AI zákaznický podpora agent pro LiveAgent

AI zákaznický podpora agent pro LiveAgent

Tento workflow automatizuje zákaznickou podporu vaší společnosti integrací konverzací z LiveAgentu, extrakcí relevantních dat z konverzací, generováním odpovědí...

5 min čtení
Bitrix24 MCP Klientský nástroj
Bitrix24 MCP Klientský nástroj

Bitrix24 MCP Klientský nástroj

Tento workflow využívá AI Agenta integrovaného s MCP Klientským nástrojem ke zpracování uživatelských zpráv z chatu, využívá historii konverzace pro lepší konte...

3 min čtení
AI chatbot s integrací LiveChat.com
AI chatbot s integrací LiveChat.com

AI chatbot s integrací LiveChat.com

Nasazení chatbota poháněného AI na vašem webu, který využívá vaši interní znalostní bázi k odpovídání na dotazy zákazníků a bezproblémově předává složité nebo n...

3 min čtení