AI-kundesupportagent med LiveAgent API-integration

Dette AI-drevne workflow automatiserer kundesupport ved at forbinde brugerforespørgsler til virksomhedens vidensressourcer, eksterne API’er (såsom LiveAgent) og en sprogmodel for professionelle, venlige og meget relevante svar. Flowet henter samtalehistorik, bruger dokumentsøgning og interagerer med eksterne systemer for at give korte, strukturerede svar og eskalerer til menneskelig support om nødvendigt. Ideelt for virksomheder, der ønsker at optimere support, produktanbefalinger og informationslevering.

Sådan fungerer AI-flowet - AI-kundesupportagent med LiveAgent API-integration

Flows

Sådan fungerer AI-flowet

Modtag og strukturer kundeforespørgsel.
Indfanger brugerens spørgsmål eller problem, forbereder dynamiske API-forespørgsler og kontekst ved hjælp af prompt-skabeloner og strukturerer de indledende datainput.
Forespørg eksterne systemer og hent data.
Sender forespørgsler til eksterne kundesupport-API'er (fx LiveAgent) og indsamler konto- eller samtaledata, der er nødvendige for at løse kundens problem.
Udtræk og generér relevant kontekst.
Behandler de indhentede data, udtrækker nøgleinformation og bruger en LLM til at generere eller forfine kundeforespørgslens kontekst for præcis support.
AI-agent svarer ved hjælp af vidensbase og værktøjer.
En AI-agent udnytter virksomhedens vidensressourcer, dokumentsøgeværktøjer, samtalehistorik og sprogmodellen til at formulere korte, professionelle svar eller anbefalinger.
Svar kunden eller eskalér.
Leverer det AI-genererede svar til kunden i et struktureret format og eskalerer til en menneskelig agent, hvis forespørgslen ikke kan løses automatisk.

Prompts brugt i dette flow

Prompt

Prompt-skabelon til at opbygge API request-URL ved brug af brugerinput.

https://YOURLINK.ladesk.com/api/conversations/{input}

Prompt

Prompt-skabelon til at opbygge API request-URL for samtalebeskeder.

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

Generator

Systemmeddelelsesprompt til LLM for at udtrække Preview-sektionen(-erne) fra input.

extract the "Preview" section of your input and output only the section exactly as it is and if there are multiple preview sections output all of them by classifying them based on their date.

Tool Calling Agent

Systemmeddelelsesprompt til agenten om at agere som kundesupport- og shoppingassistent for *YOURCOMPANY* på slovakisk, med detaljeret adfærd og værktøjsbrug....

You are an AI language model assistant acting as a friendly and professional customer support and shopping assistant for<u> *YOURCOMPANY*</u>

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 <u>*YOURCOMPANY*</u> 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 you goal is to answer the most recent query 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 <u>*YOURCOMPANY*</u>:

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 <u>*YOURCOMPANY*</u>:

Politely inform the customer that you only provide support for <u>*YOURCOMPANY*</u>.

Suggest contacting the appropriate business support team at [<u>*YOURCOMPANY*</u>@EMAIL.EMAIL](mailto:YOURCOMPANY@EMAIL.EMAIL)

<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.

Komponenter brugt i dette flow

Nedenfor er en komplet liste over alle komponenter, der bruges i dette flow for at opnå dets funktionalitet. Komponenter er byggestenene i hvert AI-flow. De giver dig mulighed for at skabe komplekse interaktioner og automatisere opgaver ved at forbinde forskellige funktioner. Hver komponent tjener et specifikt formål, såsom at håndtere brugerinput, behandle data eller integrere med eksterne tjenester.

ChatInput

Chat Input-komponenten i FlowHunt igangsætter brugerinteraktioner ved at indsamle beskeder fra Playground. Den fungerer som startpunktet for flows og gør det muligt for arbejdsgangen at behandle både tekst- og filbaserede input.

Se ChatInput

Prompt-komponent i FlowHunt

Lær, hvordan FlowHunt's Prompt-komponent lader dig definere din AI-bots rolle og adfærd, så du sikrer relevante og personlige svar. Tilpas prompts og skabeloner for effektive, kontekstbevidste chatbot-flows.

Se Prompt-komponent i FlowHunt

API-forespørgsel

Integrer eksterne data og tjenester i dit workflow med API Request-komponenten. Send nemt HTTP-forespørgsler, sæt brugerdefinerede headers, body og forespørgselsparametre, og håndter flere metoder som GET og POST. Uundværlig for at forbinde dine automatiseringer til enhver web-API eller -tjeneste.

Se API-forespørgsel

Opret Data

Komponenten Opret Data gør det muligt dynamisk at generere strukturerede dataregistreringer med et tilpasset antal felter. Ideel til arbejdsgange, der kræver oprettelse af nye dataobjekter undervejs, understøtter den fleksibel feltkonfiguration og problemfri integration med andre automatiseringstrin.

Se Opret Data

Parse Data

Parse Data-komponenten omdanner strukturerede data til almindelig tekst ved hjælp af tilpassede skabeloner. Den muliggør fleksibel formatering og konvertering af dataindgange til videre brug i dit workflow, hvilket hjælper med at standardisere eller forberede information til efterfølgende komponenter.

Se Parse Data

Generator

Udforsk Generator-komponenten i FlowHunt—kraftfuld AI-drevet tekstgenerering med din valgte LLM-model. Skab nemt dynamiske chatbot-svar ved at kombinere prompts, valgfrie systeminstruktioner og endda billeder som input, hvilket gør det til et centralt værktøj til at bygge intelligente, samtale-baserede arbejdsgange.

Se Generator

LLM OpenAI

FlowHunt understøtter dusinvis af tekstgenereringsmodeller, herunder modeller fra OpenAI. Her er, hvordan du bruger ChatGPT i dine AI-værktøjer og chatbots.

Se LLM OpenAI

Værktøjsopkald Agent

Udforsk Tool Calling Agent i FlowHunt—en avanceret workflow-komponent, der gør det muligt for AI-agenter intelligent at vælge og bruge eksterne værktøjer til at besvare komplekse forespørgsler. Perfekt til at bygge smarte AI-løsninger, der kræver dynamisk værktøjsbrug, iterativ ræsonnering og integration med flere ressourcer.

Se Værktøjsopkald Agent

Dokumenthenter

FlowHunt's Dokumenthenter forbedrer AI-nøjagtigheden ved at forbinde generative modeller til dine egne opdaterede dokumenter og URL'er, hvilket sikrer pålidelige og relevante svar ved hjælp af Retrieval-Augmented Generation (RAG).

Se Dokumenthenter

Chat Historik Komponent

Chat Historik-komponenten i FlowHunt gør det muligt for chatbots at huske tidligere beskeder, hvilket sikrer sammenhængende samtaler og forbedret kundeoplevelse, samtidig med at hukommelse og token-forbrug optimeres.

Se Chat Historik Komponent

Chat Output

Opdag Chat Output-komponenten i FlowHunt—afslut chatbot-svar med fleksible, fler-delte outputs. Uundværlig for problemfri flow-afslutning og til at skabe avancerede, interaktive AI-chatbots.

Se Chat Output

Flow-beskrivelse

Formål og fordele

Dette workflow er designet til at automatisere, strømline og skalere processen for kundesupport og produktanbefaling ved at udnytte API-integrationer, dokumentsøgning, sprogmodeller og dynamisk databehandling. Nedenfor findes en detaljeret gennemgang af dets struktur, komponenter og den automatisering, det tilbyder.

Oversigt og formål

Det primære mål med flowet er at fungere som en intelligent, automatiseret kundesupport- og shoppingassistent for en virksomhed ved brug af avanceret AI (OpenAI LLMs), dynamisk prompt-opbygning, API-kald og dokumentsøgning. Det er designet til at besvare kundeforespørgsler, hente relevant viden, anbefale produkter og eskalere til menneskelige agenter, når det er nødvendigt – alt sammen med en venlig, professionel tone og struktureret output.

Et sådant workflow muliggør skalerbar og ensartet kundedialog, reducerer manuelt arbejde og sikrer support af høj kvalitet, selv når efterspørgslen stiger.

Workflow-struktur og nøgletrin

1. Input og chat-historik

  • Chat Input-noden indsamler brugermeddelelser og filvedhæftninger som udgangspunkt.
  • Chat History-noden henter de sidste N beskeder og giver samtalekontekst, hvilket muliggør personlige, kontekstafhængige svar.

2. Prompt-opbygning

  • Prompt Templates genererer dynamisk API-URL’er ved hjælp af brugerinput og chat-historik. For eksempel:
    • Én skabelon opbygger en URL til at hente samtaledata fra LiveAgent (udskift YOURLINK med dit faktiske domæne).
    • En anden skabelon bruges til at poste nye beskeder til LiveAgent.
  • Noter er inkluderet som påmindelser om at indsætte API-nøgler eller opdatere LiveAgent-linket i skabelonerne.

3. API-forespørgsler

  • Workflowet bruger to API Request-noder:
    • Én til at hente samtaleinformation (GET-forespørgsler).
    • Én til at sende beskeder eller interagere med samtalen (POST-forespørgsler).
  • Create Data-noder bygger de nødvendige forespørgselsparametre eller body-data dynamisk til disse API-kald (fx inklusion af API-nøgler eller beskedindhold).

4. Dataparsning og -behandling

  • Parse Data-noder konverterer API-svar fra struktureret data til almindelig tekst, eventuelt ved brug af skabeloner til formatering.
  • Dette gør outputtet fra API-kald velegnet til videre AI-behandling eller visning for brugeren.

5. Vidensindhentning

  • Document Retriever er et integreret værktøj, der søger i en vidensbase eller dokumentationsarkiv baseret på brugerens forespørgsel og returnerer de mest relevante dokumenter, uddrag eller links.
  • Den leverer viden som et værktøj for AI-agenten at referere til – så svarene er forankret i virksomhedens viden.

6. AI-generering og efterbehandling

  • LLM OpenAI-noder (to bruges med forskellige konfigurationer) giver adgang til store sprogmodeller (fx GPT-4.1) til at generere svar og udtrække struktureret information.
  • Generator-noden bruger LLM til at udtrække specifikke sektioner (fx “Preview”) fra de behandlede API-svar.

7. Agentstyret ræsonnement

  • Tool Calling Agent er den centrale ræsonnementmotor:
    • Modtager behandlet input, chat-historik og adgang til værktøjer (som Document Retriever).
    • Benytter en omfattende systemprompt for at sikre, at svar overholder virksomhedens politikker, tone og struktur.
    • Beslutter dynamisk, om der skal svares fra vidensbasen, stilles opklarende spørgsmål eller eskaleres til en menneskelig agent.
    • Sikrer, at outputtet er kortfattet (100–200 tokens), velstruktureret og på kundens foretrukne sprog.

8. Output-visning

  • Chat Output-noder viser den endelige AI-genererede eller behandlede besked til brugeren.
  • Workflowet understøtter flere outputpunkter til forskellige stadier (fx efter AI-generering, efter agent-ræsonnement osv.).

Komponentrelationer (forenklet tabel)

TrinInput(s)Output(s)Formål
Chat InputBrugermeddelelseBeskedIndgangspunkt for kundeforespørgsler
Chat History-Chat-historikGiver kontekst til personlige svar
Prompt TemplatesBrugerinput, chat-historikAPI-URL’er (som tekst)Opbygger dynamisk URL’er til API-kald
Create Data-Query/body-dataBygger nødvendige data til API-forespørgsler
API RequestURL, params/bodyAPI-responsdataHenter eller poster data til ekstern tjeneste (fx LiveAgent)
Parse DataAPI-svarTekstKonverterer struktureret data til almindelig tekst for LLM/brug
LLM OpenAIPrompt, paramsAI-genereret tekstGenererer tekst, udtrækker information
GeneratorTekst, modelBehandlet tekstUdtrækker specifik info (fx “Preview”) fra input
Document RetrieverForespørgselDokumenter/værktøjFinder relevant info i virksomhedens vidensbase
Tool Calling AgentInput, værktøjer, historik, modelRæsonneret beskedOrkestrerer svar, værktøjsbrug, eskalering og formatering
Chat OutputBesked-Viser besked til brugeren

Hvorfor dette flow er nyttigt for automatisering og skalering

  • Konsistens: Sikrer, at alle kunder får nøjagtige, politikoverensstemmende og brandtilpassede svar, uanset volumen.
  • Skalerbarhed: Håndterer ubegrænsede samtidige samtaler ved at udnytte AI og automatiserede værktøjer i stedet for kun menneskelige agenter.
  • Effektivitet: Reducerer manuelt arbejde for agenter ved at automatisere vidensopslag, svargenerering og endda eskaleringslogik.
  • Personalisering: Integrerer chat-historik og kontekst for skræddersyede svar.
  • Udvidelsesmuligheder: Nemt at tilpasse eller udvide ved at ændre prompt-skabeloner, tilføje nye API-integrationer eller opdatere vidensressourcer.
  • Flersproget support: AI-agenten kan svare på kundens foretrukne sprog og forbedrer dermed brugeroplevelsen.

Automatiseringslogikkens højdepunkter

  • Dynamisk inputhåndtering: Flowet tilpasser sine API-kald og vidensforespørgsler baseret på live brugerinput og samtalekontekst.
  • Betinget ræsonnement: Agenten vælger den bedste kilde (vidensbase, API eller menneskelig eskalering) til hvert svar.
  • Struktureret output: Garanterer korte, velstrukturerede og engagerende svar, herunder punktopstillinger, fed skrift og emojis.
  • Sikkerhed: Minder brugerne om at indsætte API-nøgler sikkert og opdatere virksomhedsspecifikke links.
  • Feedback-sløjfer: Agenten kan stille opklarende spørgsmål eller eskalere til menneskelig support, når automatisering ikke kan løse problemet.

Resumé

Dette workflow er en robust, modulær automatisering til AI-drevet kundesupport og produktanbefaling. Det kombinerer chatinput, dynamisk API-integration, dokumentsøgning og avancerede sprogmodeller under en samlet orkestreret agent. Ved at automatisere gentagne opgaver og udnytte AI til ræsonnement muliggør det, at din supportfunktion kan skalere effektivt, samtidig med at der opretholdes en høj standard for service og personalisering.

Lad os bygge dit eget AI-team

Vi hjælper virksomheder som din med at udvikle smarte chatbots, MCP-servere, AI-værktøjer eller andre typer AI-automatisering til at erstatte mennesker i gentagne opgaver i din organisation.

Planlæg en demo Prøv det nu

Lær mere

AI-kundesupportagent til LiveAgent
AI-kundesupportagent til LiveAgent

AI-kundesupportagent til LiveAgent

Dette workflow automatiserer kundesupport for din virksomhed ved at integrere LiveAgent-samtaler, udtrække relevante samtaledata, generere svar ved hjælp af AI-...

4 min læsning
Shopify AI Kundesupport Agent
Shopify AI Kundesupport Agent

Shopify AI Kundesupport Agent

Et workflow til en AI-drevet kundeservicemedarbejder, der kan besvare forespørgsler om Shopify-produkter, hente ordrestatuser og få adgang til information fra i...

3 min læsning
AI-kundesupportagent med vidensbase og API-berigelse
AI-kundesupportagent med vidensbase og API-berigelse

AI-kundesupportagent med vidensbase og API-berigelse

Dette AI-drevne workflow automatiserer kundesupport ved at kombinere intern vidensbasesøgning, Google Docs-videnshentning, API-integration og avanceret sprogmod...

4 min læsning