Workflow Beschrijving

Deze workflow is ontworpen om geavanceerde klantenservice- en kennisopvragingstaken te automatiseren en op te schalen, waarbij gebruik wordt gemaakt van LLM’s (Large Language Models), dynamische datacreatie, externe API-verzoeken (zoals LiveAgent) en geautomatiseerd documentherstel. Het is vooral nuttig voor organisaties die hun supportprocessen willen stroomlijnen, klantvragen contextueel willen beantwoorden en kennisbankopvragingen willen integreren met externe systeeminteracties.

Overzicht op Hoofdlijnen

De workflow coördineert deze hoofdonderdelen:

• Ontvangt gebruikersinput (via chat)
• Bouwt dynamische API-verzoeken op basis van gebruikersinput en context
• Haalt en parset gegevens uit externe bronnen (bijv. LiveAgent)
• Gebruikt LLM’s om relevante informatie uit antwoorden te extraheren en samen te vatten
• Verrijkt antwoorden met documentherstel uit een kennisbank
• Benut een LLM-gestuurde agent om klantklare antwoorden te genereren, altijd onderbouwd door opgehaalde context
• Presenteert het antwoord terug aan de gebruiker

Hoofdcomponenten en Stroom

Gedetailleerde Stappen

1. Gebruikersinput en Contextverzameling

• Het proces begint met een Chat Input-node, waar het bericht van de gebruiker wordt ontvangen.
• De Chat History-node haalt de laatste N berichten op, zodat contextuele antwoorden mogelijk zijn.
• Een Prompt Template gebruikt de gebruikersinput en geschiedenis om dynamisch een URL te genereren voor de externe API (bijvoorbeeld om een gespreksverslag van LiveAgent op te halen).

2. API-verzoek Opbouw

• Create Data-nodes maken het mogelijk om dynamisch queryparameters of request bodies samen te stellen (inclusief veilige opslag van API-sleutels of andere benodigde velden).
• De gegenereerde URL en parameters worden ingevoerd in een API Request-node, die interacteert met externe systemen (zoals LiveAgent) om de benodigde gegevens op te halen.

3. Gegevens Parsing en Voorbewerking

• API-antwoorden worden verwerkt met Parse Data-nodes, die ruwe data omzetten naar gestructureerde tekst of alleen relevante velden extraheren.
• Deze geparste gegevens worden doorgegeven aan de LLM Generator-node, die is belast met het extraheren van specifieke informatie (bijv. de “Preview”-sectie) met behulp van een goed gedefinieerd systeembericht.

4. Kennisverrijking

• Ondertussen stelt de Document Retriever-node het systeem in staat om binnen interne kennisbanken naar documenten te zoeken die zeer relevant zijn voor de gebruikersvraag, waardoor de agent wordt verrijkt met gezaghebbende context. Deze tool is beschikbaar voor de LLM-agent.

5. LLM Agent Antwoordgeneratie

• De Tool Calling Agent-node is een krachtige LLM-gebaseerde agent die:
  • Gebruikersinput, API-antwoorden, chatgeschiedenis en toegang tot tools (Document Retriever, Contact Human Assist, enz.) ontvangt
  • Wordt gestuurd door een gedetailleerde systeemprompt, waarin staat:
    • Gebruik altijd gezaghebbende bronnen (bijv. Document Retriever, knowledge_source_tool)
    • Nooit zelf antwoorden of URL’s verzinnen
    • Stel verduidelijkingsvragen indien nodig
    • Formatteer antwoorden vriendelijk, professioneel en beknopt
    • Gebruik opsommingstekens, vetgedrukte tekst en emoji’s voor aantrekkelijke antwoorden
    • Antwoord altijd in het Slowaaks (of gedetecteerde gebruikers-taal), in e-mailstijl
    • Escaleer naar menselijke support als de vraag niet kan worden opgelost
• Dit zorgt ervoor dat elk klantantwoord accuraat, contextueel, beleidstrouw en zeer schaalbaar is.

6. Output naar de Gebruiker

• Het uiteindelijke gegenereerde antwoord (van de LLM-agent) wordt geparset en geformatteerd en vervolgens geleverd aan de gebruiker via Chat Output-nodes.

Notities en Best Practices

• API-sleutel en LiveAgent-link: De workflow bevat notitienodes die de gebruiker eraan herinneren zijn API-sleutel in te voeren en YOURLINK in prompttemplates te vervangen door de eigen LiveAgent-instance URL.
• Beveiliging en Compliance: API-sleutels en gevoelige gegevens worden afgehandeld met behulp van dynamische datanodes, waardoor het risico op onbedoelde blootstelling wordt geminimaliseerd.
• Uitbreidbaarheid: Het modulaire ontwerp maakt het eenvoudig om extra tools, datatransformaties of outputkanalen toe te voegen.

Waarom Is Deze Workflow Nuttig voor Schaling en Automatisering?

• End-to-End Automatisering: Integreert meerdere gegevensbronnen (live chat, API’s, kennisbank) en automatiseert het besluitvormings- en antwoordproces.
• LLM-Gedreven Redenering: Maakt gebruik van geavanceerde LLM’s voor contextueel begrip, informatie-extractie en mensachtige communicatie.
• Consistente, Hoge Kwaliteit Support: De system prompt van de agent handhaaft bedrijfsbeleid, toon, escalatiepaden en zorgt dat er geen verzonnen gegevens worden verstrekt.
• Snelle Integratie met Externe Systemen: Eenvoudig aan te passen aan verschillende API’s of kennisbanken door prompttemplates en connectienodes te wijzigen.
• Human-in-the-Loop Escalatie: Draagt complexe gevallen naadloos over aan menselijke agenten, waardoor dekking voor uitzonderingen is gegarandeerd.
• Schaalbaarheid: Kan grote aantallen vragen parallel verwerken, met consistente nauwkeurigheid en compliance.

Samenvattende Tabel van Belangrijkste Nodes

Deze workflow is ideaal voor het automatiseren van klantenservice, het integreren met externe ticket- of chatsystemen, en het waarborgen dat LLM-gestuurde antwoorden altijd zijn gebaseerd op gezaghebbende bedrijfskennis. Het kan de ruggengraat vormen van een schaalbare, intelligente supportassistent, klaar voor zakelijk gebruik.