Prompt
Prompt-skabelon til opbygning af API-URL med dynamisk menneskelig input.
https://YOURLINK/api/conversations/{human_input}/messages
AI-drevet e-mailspamdetektion og support-routing
Dette AI-workflow klassificerer automatisk indkomne e-mails som spam eller ej, og videresender intelligent legitime beskeder til en AI-assistent, der udnytter virksomhedens videnskilder til at give professionelle supportbesvarelser. Det integrerer dokumenthentning, avancerede LLM’er og API-interaktioner for problemfri automatisering af kundesupport.
Flows
Sådan fungerer AI-flowet
- Modtag indkommende e-mail.
- Workflowet starter med at modtage en bruger-e-mail eller beskedinput.
- Klassificér e-mail som spam eller ej.
- Bruger en AI-model til at afgøre, om den indkomne besked er spam eller en legitim kundehenvendelse.
- Routing baseret på klassificering.
- Spam-beskeder udløser en simpel notifikation, mens legitime forespørgsler videresendes til AI-supportassistenten.
- Hent viden & sammensæt svar.
- AI-assistenten henter relevante dokumenter og viden, og genererer derefter et professionelt, kontekstbevidst support-svar.
- Lever output til bruger.
- Det endelige svar eller notifikation sendes tilbage til brugeren eller supportagenten.
Prompts brugt i dette flow
Prompt
Prompt-skabelon til opbygning af API-URL med dynamisk input.
https://YOURLINK/api/conversations/{input}
Prompt
Prompt-skabelon til opbygning af API-URL med dynamisk menneskelig input.
https://YOURLINK/api/conversations/{human_input}/messages
Generator
Systemprompt til LLM for at klassificere e-mails som spam eller ej.
Du er en virksomheds-e-mailklassificerer.
Afgør om e-mailen er virksomhedsrelevant eller en uønsket henvendelse.
Spam (“yes”) hvis den indeholder:
- Kampagner, rabatter, udsalg, kampagner, bonuspoint, affiliate-links  
- Invitationer til webinarer, seminarer, events eller partnerskaber  
- Investering, krypto, job- eller bibeskæftigelsestilbud  
- Uopfordret reklame eller kommerciel henvendelse  
Ikke spam (“no”) hvis den indeholder:
- Kundeforhold, supportanmodninger, spørgsmål om brug  
- Fakturaer, tilbud, indkøbsordrer, kontrakter eller betalingsdrøftelser  
- Intern eller partnerkoordinering, planlægning eller rapporter  
- Legitime svar eller bekræftelsesanmodninger  
Returnér kun "yes" eller "no".
Generator
Systemprompt til LLM for at udtrække Preview-sektioner fra input.
udtræk "Preview"-sektionen fra dit input og returnér kun sektionen præcis som den er, og hvis der er flere preview-sektioner, returnér dem alle ved at klassificere dem efter dato.
Tool Calling Agent
Systemprompt til LLM-agent til at agere som en professionel kundesupportassistent.
Du er en AI-sprogsmodelassistent, der fungerer som en venlig og professionel kundesupport- og konsulentassistent for [DIN VIRKSOMHED].
Svar altid på engelsk, uanset om input er på engelsk eller et andet sprog.
Alle beskeder skal skrives i en høflig og forretningsmæssig tone for at skabe tillid hos kunderne.
[Rolle]
Du hjælper med spørgsmål, konsultationer og tekniske problemløsninger relateret til [DIN VIRKSOMHED]s tjenester og relaterede produkter (f.eks. kundesupportværktøjer, flowstyringsværktøjer, hjemmesidebygning og -styring osv.).
Giv vejledning i et letforståeligt sprog, der efterlader et positivt indtryk hos kunden.
[Formål]
Baseret på samtalehistorik og den seneste henvendelse, skal du referere til nøjagtig information fra tilgængelige videnskilder eller værktøjer for at give optimale svar på engelsk.
[Informationsprioritet]
Primær kilde: Brug søgeværktøjet til videnkilder for at verificere relevant information før du svarer.
Sekundær kilde: Ved undersøgelse af relateret kontekst, brug altid dokumenthenter-værktøjet.
Spekulation eller opfindelse baseret på eget skøn er forbudt.
[Retningslinjer for svar]
1. Når relevant kontekst eller information findes, leveres et præcist og kortfattet svar på engelsk baseret på denne information.
2. Angiv URL'er på refererede kilder direkte under svaret (ændring af URL'er er forbudt).
3. Brug kun servicenavne og planenavne, der findes i den faktiske vidensbase.
4. Hvis der ikke findes relevant information, skal du tydeligt oplyse at "den relevante information kunne ikke findes" og høfligt anmode kunden om yderligere oplysninger.
[Håndtering af spørgsmål, der ikke vedrører [DIN VIRKSOMHED]]
Ved forespørgsler, der ikke vedrører [DIN VIRKSOMHED], skal du tydeligt oplyse: "Dette spørgsmål vedrører ikke [DIN VIRKSOMHED]."
[Når en kunde viser interesse for en specifik plan eller tjeneste]
• Giv detaljer om planen, pris, og muligheder for rådgivning/demo.
• Vejled kunden i, hvordan de kan forespørge via den officielle hjemmeside, hvis nødvendigt.
• For spørgsmål om implementeringsplaner eller opstartsomkostninger, præsenter relevante muligheder.
[Stil- og udtryksregler]
• Brug en professionel e-mail-tone (formel men imødekommende).
• Opdel svaret i korte afsnit for læsbarhed.
• Punktlister er tilladt.
• Brug kun almindelig tekstformat (Markdown-symboler såsom #, ##, ### til overskrifter er strengt forbudt).
• Brug ikke emojis eller emotikoner.
• Bevar et respektfuldt sprog, men undgå for formelle vendinger.
[Anbefalet svarformat]
1. Høflig hilsen (f.eks. "Tak for din henvendelse.")
2. Gengiv kort spørgsmålet eller problemet.
3. Præsenter tydeligt løsningen eller vejledningen.
4. Angiv om nødvendigt næste skridt (f.eks. URL'er, kontaktoplysninger eller supportmuligheder).
5. Afsluttende sætning (f.eks. "Vi ser frem til at hjælpe dig yderligere.")
[Forbudte handlinger]
• Brug af Markdown-symboler (f.eks. #, ##, ###) er forbudt.
• Brug af fed, kursiv eller link-Markdown-syntaks er forbudt.
• Spekulation baseret på usikker information er forbudt.
• Brug af upassende udtryk, slang eller emojis er forbudt.
[Eksempler på svartone]
"Tak for din henvendelse.
Detaljerne er som følger: …"
"Vi beklager eventuelle gener, men vedrørende denne sag…"
"Tak for din opmærksomhed, og kontakt os gerne, hvis du har brug for yderligere hjælp."
[Særlige bemærkninger]
• Ved spørgsmål om [DIN VIRKSOMHED] og relaterede tjenester skal du altid svare ud fra den nyeste tilgængelige viden.
• Hvis relevant information ikke kan opnås, anmod om yderligere detaljer og undlad spekulative svar.
• Brug altid høflige og empatiske udtryk, så kunden føler sig godt hjulpet.
Denne prompt fungerer som standard for at levere konsekvent, kundesupport af høj kvalitet som medlem af [DIN VIRKSOMHED]s supportteam.
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.
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.
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.
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.
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.
Betinget Router
Betinget Router-komponenten muliggør dynamiske beslutninger i dit workflow. Den sammenligner inputtekst med en angivet værdi ved hjælp af forskellige operatorer—såsom lig med, indeholder eller er tom—og sender beskeden til forskellige outputs baseret på sammenligningsresultatet. Dette gør det muligt at forgrene din flowlogik og skabe personlige og intelligente workflows, der tilpasser sig brugerinput.
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.
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.
LLM OpenAI
FlowHunt understøtter dusinvis af tekstgenereringsmodeller, herunder modeller fra OpenAI. Her er, hvordan du bruger ChatGPT i dine AI-værktøjer og chatbots.
LLM Anthropic AI
FlowHunt understøtter dusinvis af AI-modeller, herunder Claude-modeller fra Anthropic. Lær, hvordan du bruger Claude i dine AI-værktøjer og chatbots med tilpassede indstillinger for skræddersyede svar.
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.
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.
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).
Note
Note-komponenten i FlowHunt lader dig tilføje kommentarer og dokumentation direkte i dit workflow. Brug den til at tydeliggøre, annotere eller give instruktioner i dit flow, hvilket gør komplekse automatiseringer lettere at forstå og vedligeholde.
Flow-beskrivelse
Formål og fordele
Workflowbeskrivelse: Skalerbar og automatiseret håndtering af forretnings-e-mails & chat
Dette workflow er designet til at automatisere og skalere behandlingen, klassificeringen og routingen af forretnings-e-mails og chatbeskeder, med særligt fokus på kundesupport-scenarier. Det bruger en kombination af AI-drevet klassificering, betinget logik, API-integrationer og kontekstbevidste agentbesvarelser, hvilket gør det særligt nyttigt for organisationer, der ønsker at effektivisere kundesupport, opdage spam og integrere AI-agenter med eksterne systemer som LiveAgent.
Overblik på højt niveau
Flowet består af to hovedgrene:
- E-mail-/beskedspamdetektion og routing: Klassificerer automatisk indkomne beskeder som spam eller ej og sender dem videre korrekt for at sikre effektiv håndtering og reducere manuel filtrering.
- Kontekstuel AI-agent til kundesupport: Udnytter ekstern dokumenthentning og en avanceret tool-calling-agent til at levere nøjagtige, kontekst-rige og politikoverholdende kundesvar.
Detaljeret flowstruktur
1. Spamdetektion og routing
- Input: Beskeder modtages via en chat-input-node.
- Promptopbygning: En promptskabelon udfyldes med den indkomne besked og sendes til en API-request-node (konfigureret til LiveAgent eller lignende systemer).
- Tekstekstraktion: API-svaret parses for at udtrække relevant indhold via en parser-node.
- Spamklassificerings-LLM: Den udtrukne besked sendes til en OpenAI GPT-4.1-model med en systemprompt, der instruerer den i at returnere “yes”, hvis beskeden er spam (f.eks. kampagner, uopfordrede tilbud), eller “no”, hvis den er virksomhedsrelevant.
- Betinget routing:
- Hvis beskeden klassificeres som spam (“yes”), genererer en promptskabelon en standard spam-notifikation, der sendes til chat.
- Hvis beskeden ikke er spam (“no”), sendes den videre til en kontekstbevidst AI-supportagent til videre behandling.
Spam-routing-logiktabel:
| Trin | Værktøj/Node | Formål |
|---|---|---|
| Beskedinput | ChatInput | Modtager bruger-/kundebesked |
| Prompt til API | PromptTemplate | Formaterer beskeden til LiveAgent API |
| API-kald | APIRequest | Sender/henter beskeddata |
| Parse Data | ParseData | Udtrækker besked-preview |
| Spam LLM-klassificerer | Generator (OpenAI) | Klassificerer som spam eller ej |
| Betinget router | ConditionalRouter | Router baseret på LLM-output |
| Spamnotifikation | PromptTemplate & ChatOutput | Standardrespons for spam |
| Ikke spam | Sendes til supportagent | Til videre menneskelignende behandling |
2. Kontekstuel AI-kundesupportagent
- Dokumenthentning: Når en besked ikke er spam, hentes relevante dokumenter fra en vidensbase, filtreret efter kategorier og tidsplaner, for at sikre opdateret og kontekstpassende information.
- Chathistorik-integration: Nylig chathistorik hentes for at give agenten kontekst til sine svar og sikre kontinuitet og relevans.
- LLM-agentorkestrering: En Anthropic Claude Sonnet 4-model driver en Tool Calling Agent, der får en detaljeret systembesked med stramme svartilgange (f.eks. altid svare på engelsk, bruge høflig forretningstone, referere URL’er præcist, undgå spekulation og følge et bestemt outputformat).
- Værktøjsintegration: Agenten kan kalde dokumenthenter-værktøj og andre API’er efter behov for at supplere sine svar og sikre faktabaserede svar.
- Output: Agentens svar sendes til chat og kan også sendes videre til yderligere API-integration hvis nødvendigt (f.eks. videresendelse til LiveAgent).
Agent-svarlogiktabel:
| Trin | Værktøj/Node | Formål |
|---|---|---|
| Dokumenthentning | DocumentRetriever | Henter relevant kontekst fra vidensbase |
| Chathistorik | ChatHistory | Tilfører nylig samtalekontekst |
| LLM-model | Anthropic Claude | Leverer avanceret sprogforståelse |
| Tool Calling Agent | ToolCallingAgent | Kombinerer værktøjer, kontekst og politikker |
| Output | ChatOutput | Sender svar til chat/playground |
| API-videresendelse | APIRequest/ParseData | Kan videresende til logning/LiveAgent |
Systembesked-retningslinjer til agenten
- Svar altid på engelsk uanset input-sprog.
- Brug en formel men venlig forretningstone; ingen markdown, ingen emojis og ingen spekulation.
- Svar skal angive URL’er direkte under svaret og følge en klar, punktvenlig struktur.
- Hvis ingen relevant info findes, bed høfligt kunden om flere oplysninger.
3. API-integration og datahåndtering
- Dynamisk datagenerering: Flere noder genererer de nødvendige datadictionaries til API-kald, herunder API-nøgler, beskedindhold og forespørgselsparametre.
- Flere API-interaktioner: Workflowet understøtter flere API-kald (f.eks. til LiveAgent, andre backend-systemer) med fleksible metoder (GET, POST mv.).
- Dataparsning: Efter hvert API-svar udtrækker parser-noder relevant tekst til downstream-behandling eller output.
4. Fordele ved workflow-automatisering og skalering
- Automatiseret spamfiltrering: Fjerner manuel gennemgang af uopfordrede beskeder, sparer tid og sikrer fokus på reelle supportanmodninger.
- Konsistent, politikoverholdende support: Agenten følger altid virksomhedens retningslinjer og sikrer pålidelig, brandsikker kommunikation.
- Vidensbaserede svar: Ved at integrere dokumenthentning baseres svar på den nyeste og mest relevante viden.
- Fleksibel API-integration: Let at udvide til nye værktøjer, ticketsystemer eller videnskilder efterhånden som forretningen udvikler sig.
- Skalerbar: Den modulære opbygning muliggør parallel behandling af flere samtaler og nem tilpasning til større beskedvolumen.
Eksempler på anvendelse
- Kundesupportteams: Sorterer automatisk beskeder, håndterer spam og giver præcise, kontekstuelle svar.
- Salg/leadkvalificering: Filtrerer ikke-relevante henvendelser fra, inden reelle leads sendes videre til sælgere.
- Omnichannel-integration: Forbinder til platforme som LiveAgent eller brugerdefinerede API’er for at samle support på tværs af kanaler.
Opsætningsnoter
- Krævede tilpasninger: Udskift pladsholder-API-nøgler og URL’er (f.eks. “YOURLINK”) med reelle værdier til implementering.
- Vidensbasestyring: Hold document retriever-kilder opdateret for optimal agentydelse.
Dette workflow leverer en robust, skalerbar arkitektur til automatisering af kundekommunikation og sikrer både effektivitet og høj kvalitet i politikoverholdende svar. Dets modularitet gør det let at udvide, efterhånden som din virksomhed vokser eller nye automatiseringsbehov opstår.
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.
Lær mere
Sådan konfigurerer du håndtering af LiveAgent-tickets med et AI-agent-spamforebyggelsesflow til din virksomhed
Lær, hvordan du tilpasser API-nøgler, URL'er og indstillinger i det automatiserede e-mail- og chat-flow, så det matcher din virksomheds behov.
3 min læsning
automation
FlowHunt
+2
AI-kundeservicechatbot med menneskelig overdragelse
En AI-drevet kundeservicechatbot, der automatisk assisterer brugere, henter information fra interne dokumenter og internettet, og problemfrit eskalerer til en m...
3 min læsning
AI Gmail-assistent til e-mailhåndtering
Optimer din Gmail-arbejdsgang med en AI-drevet assistent, der kan søge, organisere og håndtere e-mails, oprette og sende nye beskeder samt automatisere labelsty...
3 min læsning