Workflow-Beschreibung

Dieser Workflow ist darauf ausgelegt, fortschrittlichen Kundensupport und Wissensabruf zu automatisieren und zu skalieren. Dabei werden LLMs (Large Language Models), dynamische Datenerstellung, externe API-Anfragen (wie LiveAgent) und automatisierte Dokumentensuche genutzt. Er ist besonders nützlich für Organisationen, die Supportprozesse effizienter gestalten, Kundenanfragen mit kontextbewussten Antworten beantworten sowie Wissensdatenbank-Abfragen mit externen Systemen integrieren möchten.

Überblick auf hoher Ebene

Der Workflow orchestriert diese Hauptschritte:

• Entgegennahme von Nutzereingaben (per Chat)
• Aufbau dynamischer API-Anfragen basierend auf Nutzereingabe und Kontext
• Abruf und Parsen von Daten aus externen Quellen (z. B. LiveAgent)
• Nutzung von LLMs, um relevante Informationen aus Antworten zu extrahieren und zusammenzufassen
• Ergänzung der Antworten durch Dokumentensuche aus der Wissensdatenbank
• Einsatz eines LLM-basierten Agenten zur Generierung kundenfertiger Antworten, die immer auf abgerufenem Kontext basieren
• Präsentation der Antwort an den Nutzer

Hauptkomponenten und Ablauf

Detaillierte Schritte

1. Nutzereingabe und Kontext-Erfassung

• Der Prozess beginnt mit einem Chat Input-Knoten, der die Nachricht des Nutzers entgegennimmt.
• Der Chat History-Knoten ruft die letzten N Nachrichten ab und ermöglicht kontextbasierte Antworten.
• Ein Prompt Template verwendet Nutzereingabe und Verlauf, um dynamisch eine URL für die externe API zu generieren (z. B. um ein Gesprächsprotokoll von LiveAgent abzurufen).

2. API-Anfrage-Konstruktion

• Create Data-Knoten ermöglichen die dynamische Erstellung von Query-Parametern oder Request-Bodys (inklusive sicherer Speicherung von API-Keys oder anderen notwendigen Feldern).
• Die generierte URL und Parameter werden an einen API Request-Knoten übergeben, der mit externen Systemen (wie LiveAgent) interagiert, um die benötigten Daten abzurufen.

3. Datenparsing und Vorverarbeitung

• API-Antworten werden mit Parse Data-Knoten verarbeitet, um Rohdaten in strukturierte Texte umzuwandeln oder nur relevante Felder zu extrahieren.
• Diese geparsten Daten werden an den LLM Generator-Knoten übergeben, der mit einem klar definierten Systemprompt spezifische Informationen (z. B. den Abschnitt “Preview”) extrahiert.

4. Wissensanreicherung

• Parallel dazu ermöglicht der Document Retriever-Knoten dem System, in internen Wissensdatenbanken nach besonders relevanten Dokumenten zur Nutzeranfrage zu suchen und den Agenten mit autoritativem Kontext anzureichern. Dieses Tool wird dem LLM-Agenten zur Verfügung gestellt.

5. LLM-Agenten-Antwortgenerierung

• Der Tool Calling Agent-Knoten ist ein leistungsstarker, LLM-basierter Agent, der:
  • Nutzereingaben, API-Antworten, Chatverlauf und Zugang zu Tools (Document Retriever, Contact Human Assist, usw.) erhält
  • Durch einen detaillierten Systemprompt gesteuert wird, der festlegt:
    • Immer autoritative Quellen nutzen (z. B. Document Retriever, knowledge_source_tool)
    • Niemals Antworten oder URLs erfinden
    • Bei Bedarf Rückfragen stellen
    • Antworten stets freundlich, professionell und prägnant formatieren
    • Aufzählungspunkte, Fettdruck und Emojis für ansprechende Antworten verwenden
    • Immer auf Slowakisch (oder erkannter Nutzersprache) und im Email-Stil antworten
    • Bei nicht lösbaren Anfragen an den menschlichen Support eskalieren
• Dadurch ist sichergestellt, dass jede Kundenantwort korrekt, kontextbasiert, richtlinienkonform und hochgradig skalierbar ist.

6. Ausgabe an den Nutzer

• Die finale generierte Antwort (vom LLM-Agenten) wird geparst und formatiert und anschließend über Chat Output-Knoten an den Nutzer übermittelt.

Hinweise und Best Practices

• API-Key und LiveAgent-Link: Der Workflow enthält Notiz-Knoten, die daran erinnern, den eigenen API-Key einzufügen und YOURLINK in den Prompt-Templates durch die eigene LiveAgent-Instanz-URL zu ersetzen.
• Sicherheit und Compliance: API-Keys und sensible Daten werden mit dynamischen Datenknoten verarbeitet, um das Risiko einer versehentlichen Offenlegung zu minimieren.
• Erweiterbarkeit: Das modulare Design ermöglicht eine einfache Ergänzung weiterer Tools, Daten-Transformationen oder Ausgabekanäle.

Warum ist dieser Workflow nützlich für Skalierung und Automatisierung?

• End-to-End-Automatisierung: Integriert mehrere Datenquellen (Live-Chat, APIs, Wissensdatenbank) und automatisiert Entscheidungsfindung und Antwortprozess.
• LLM-gestütztes Reasoning: Nutzt modernste LLMs für kontextuelles Verständnis, Informationsgewinnung und menschenähnliche Kommunikation.
• Konsistenter, hochwertiger Support: Der Systemprompt des Agenten erzwingt Unternehmensrichtlinien, Tonalität, Eskalationswege und stellt sicher, dass keine halluzinierten Daten geliefert werden.
• Schnelle Integration externer Systeme: Anpassung an verschiedene APIs oder Wissensdatenbanken ist durch Anpassung der Prompt-Templates und Verbindungsknoten einfach möglich.
• Human-in-the-Loop-Eskalation: Übergibt komplexe Fälle nahtlos an menschliche Agenten, um auch Randfälle abzudecken.
• Skalierbarkeit: Kann große Mengen von Anfragen parallel mit gleichbleibender Genauigkeit und Compliance verarbeiten.

Zusammenfassungstabelle der wichtigsten Knoten

Dieser Workflow eignet sich ideal zur Automatisierung des Kundensupports, zur Integration mit externen Ticket- oder Chat-Systemen und zur Sicherstellung, dass LLM-basierte Antworten stets auf autoritativem Unternehmenswissen basieren. Er kann das Rückgrat eines skalierbaren, intelligenten Support-Assistenten für den Unternehmenseinsatz bilden.