AI-kundesupportagent med vidensbase og API-berigelse

Oversigt

Dette workflow automatiserer processen med at hente kundebeskeder fra et ticketsystem eller supportsystem, udtrække den seneste relevante besked, berige den med kontekst og chathistorik og derefter udnytte avanceret AI (LLM’er) kombineret med videnværktøjer til at generere professionelle, flersprogede kundesupportsvar. Processen forbereder og sender derefter disse svar tilbage til eksterne systemer, hvilket gør det ideelt til at skalere og automatisere kundesupport, videnshentning og ekstern API-integration.

Trin-for-trin-gennemgang

1. Inputmodtagelse og forberedelse

• Chatinput: Workflowet kan modtage indkommende chatbeskeder direkte.
• Promptoprettelse til API: Systemet bruger en promptskabelon til dynamisk at konstruere URL’en til at hente ticketbeskeder fra et eksternt API (f.eks. https://arshiakahani.ladesk.com/api/v3/tickets/{input}/messages). Dette muliggør fleksibel hentning baseret på indkommende brugerdata.
• Opbygning af forespørgselsparametre: En dataskabelsesnode bruges til dynamisk at opbygge de nødvendige forespørgselsparametre til API-anmodningen.

2. Ekstern datahentning

• API-anmodning: Ved brug af den konstruerede URL og forespørgselsparametre sender workflowet en GET-anmodning for at hente ticketens beskedhistorik fra et eksternt ticketsystem. API-nøglegodkendelse understøttes via headers.
• Parsing af hentede data: Når API’et returnerer data, strukturerer en parser-node og konverterer disse data til almindelig tekst ved hjælp af skabeloner, hvilket gør det egnet til downstream AI-behandling.

3. Beskedudtræk og forbehandling

• LLM-baseret udtræk: En OpenAI LLM (f.eks. GPT-4.1) bruges med en systemprompt til kun at udtrække den seneste brugermeddelelse fra ticketens data (specifikt beskeder af typen “M”)—så kun relevant indhold behandles videre.
• Promptberigelse: Den udtrukne besked og chatkontekst indsættes i en sofistikeret promptskabelon, der inkluderer samtalehistorik og segmentering af seneste besked, hvilket forbereder input til hovedsupportagenten.

4. Vidensberigelse

• Chathistorik: Systemet kan slå de sidste N beskeder op i samtalen for at skabe kontinuitet og mere rig kontekst.
• Dokumenthentning: Et dokumenthenteværktøj søger interne/eksterne vidensbaser (eventuelt inkl. Google Docs) for relevant information til at besvare kundens forespørgsel. Dette er essentielt for at forankre svar i opdateret og korrekt viden.
• Værktøjsintegration: Både dokumenthenter og Google Docs-henter registreres som “værktøjer” tilgængelige for agenten, hvilket muliggør dynamisk opslag under svargenerering.

5. Agentdrevet svargenerering

• Tool Calling Agent: Kernen er en Tool Calling Agent (drevet af en LLM), som modtager den berigede prompt, chathistorik og adgang til vidensværktøjer. Dens rolle er at bestemme brugerens hensigt, søge videnbasen/værktøjer for svar og sammensætte et kort, venligt og professionelt svar.
  • Agenten svarer altid på slovakisk som standard eller skifter til kundens sprog, hvis det registreres.
  • Struktureret formatering håndhæves: korte afsnit, fed til fremhævning, punktlister og emojis for engagement.
  • Agenten prioriterer at bruge hentet viden, opfinder aldrig fakta eller URL’er, beder om afklaring ved behov og eskalerer uløste sager til menneskelige agenter.
  • Alle svar følger kundesupport-tone og -struktur, egnet til e-mailkommunikation.

6. Efterbehandling og output

• Svarformatering: Agentens svar behandles yderligere gennem promptskabeloner for at konstruere flersproget output (f.eks. både slovakisk og kundens originalsprog).
• LLM-generering: En anden LLM-node kan generere eller oversætte dele af outputtet efter behov.
• API-integration for udgående beskeder: Workflowet opbygger dynamisk dataobjekter til udgående API-anmodninger, pakker det genererede svar og sender det (typisk via POST) til det relevante eksterne system.
• Parsing og endeligt output: Udgående API-svar kan parses og vises i chat-playground eller sendes tilbage til brugergrænsefladen.

Nøglekomponenter & deres formål

Anvendelsestilfælde & fordele

• Automatiseret kundesupport: Strømliner processen med at udtrække, berige og besvare kundehenvendelser med professionelle, nøjagtige og kontekstbevidste svar.
• Flersproget support: Registrerer og svarer automatisk på kundens sprog, med oversættelse og formatering håndteret af workflowet.
• Skalerbar videnstyring: Integrerer flere videnskilder (interne dokumenter, Google Docs m.fl.) for omfattende og opdaterede svar.
• Sømløs integration med eksterne systemer: Forbinder nemt til forskellige API’er for både indgående (hentning af beskeder) og udgående (afsendelse af svar) handlinger.
• Menneskelig eskalering: Overfører automatisk uløste eller uklare sager til menneskelige agenter og sikrer support af høj kvalitet.

Hvorfor dette workflow er nyttigt til skalering & automatisering

• Reducerer manuelt arbejde: Ved at automatisere datahentning, beskedudtræk, kontekstopbygning og svargenerering minimeres behovet for menneskelig indgriben ved rutineforespørgsler.
• Konsistens & kvalitet: Sikrer, at al kundekommunikation overholder virksomhedens tone, format og informationsnøjagtighed, uanset agent eller vagt.
• Hurtig tilpasning: Forbinder let til nye datakilder eller API’er, tilpasser sig nye sprog og kan skalere til større supportvolumener med minimal ekstra konfiguration.
• Forbedret kundetilfredshed: Hurtige, relevante og venlige svar—tilpasset hver kundes sprog og forespørgsel—fører til bedre oplevelser og loyalitet.

Visuelt flow (forenklet)

Nedenfor ses et forenklet flowdiagram over hovedtrinnene:

1. Chatinput / API-forespørgsel →
2. Hent ticketbeskeder (API-anmodning) →
3. Parse Data →
4. Udtræk seneste brugermeddelelse (LLM) →
5. Berig prompt med kontekst & historik →
6. Hent viden (Dokument/Google Docs-henter) →
7. Tool Calling Agent (LLM) genererer svar →
8. Formater/oversæt/send svar (API-anmodning) →
9. Vis/lever output

Dette workflow er et robust fundament for enhver organisation, der ønsker at automatisere og skalere kundesupport, teknisk assistance eller informationsleveringsworkflows, der kræver integration med eksterne API’er, vidensbaser og avancerede AI-svar.