AI kundestøtteagent med kunnskapsbase og API-berikelse

Denne AI-drevne arbeidsflyten automatiserer kundestøtte ved å kombinere intern kunnskapsbase-søk, henting av kunnskap fra Google Docs, API-integrasjon og avansert språkmodell-resonnement. Agenten svarer på slovakisk eller kundens språk, gir alltid oppdatert informasjon, og kan eskalere til menneskelig støtte ved behov. Ideell for selskaper som ønsker flerspråklig, automatisert og kontekstbevisst kundeservice.

Hvordan AI Flow fungerer - AI kundestøtteagent med kunnskapsbase og API-berikelse

Flows

Hvordan AI Flow fungerer

Motta kundespørsmål.
Flyten fanger opp kundespørsmål fra chatinnput og henter nylig chatthistorikk for kontekst.
Samle kunnskap fra interne og eksterne kilder.
Arbeidsflyten søker både interne dokumentlagre og tilkoblede Google Docs etter relevant kunnskapsbaseinformasjon ved hjelp av dokumenthentere.
Berik og analyser data via API.
Kundemeldings-ID-er brukes til å kalle eksterne API-er, hente meldingshistorikk og analysere nødvendig informasjon for kontekstberikelse.
AI-agent svarer og genererer på flere språk.
En avansert AI-agent bruker samlet kontekst, kunnskapskilder og språkmodeller for å generere svar på slovakisk eller kundens språk, og sikrer profesjonelle, konsise og nøyaktige svar.
Svar kunden og eskaler ved behov.
Agenten leverer svaret til kunden, inkludert relevante lenker og informasjon, og eskalerer til menneskelig støtte hvis forespørselen ikke kan løses automatisk.

Prompts brukt i denne flowen

Prompt (PromptTemplate-xAz1P)

Lag en promptmal med dynamiske variabler ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

---CONVERSATION HISTORY---
{context}
---

---LATEST MESSAGE---
{input}
---

Prompt (PromptTemplate-4mVjl)

Lag en promptmal med dynamiske variabler ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

---CHAT HISTORY---
{chat_history}
---

---CUSTOMER QUERY---
{context}
---

---LLM RESPONSE---
{input}
---

The final output presented to the agent should include:

        the original CUSTOMER QUERY

        the Slovak translation of the CUSTOMER QUERY


       LLM RESPONSE in Slovak

       LLM RESPONSE in the customer's language (to be sent)

Prompt (PromptTemplate-u9XGO)

Lag en promptmal med dynamiske variabler ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

https://arshiakahani.ladesk.com/api/v3/tickets/{input}/messages

Prompt (PromptTemplate-5nKVc)

Lag en promptmal med dynamiske variabler ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

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

Generator (Generator-eSD0Q)

Generer tekst ved bruk av inndata-prompt og valgt LLM-modell.

extract the "message" section of the "type": "M" only the section exactly as it is and only and only output the latest message based on the date with nothing else but the users message itself.

Tool Calling Agent (ToolCallingAgent-K7dur)

En verktøykallende agent.

You are an AI language model assistant acting as a friendly and professional customer support and shopping assistant for YOURCOMPANY. 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 YOURCOMPANY 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 as LATEST MESSAGE your goal is to answer the LATEST MESSAGE 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 YOURCOMPANY:

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 YOURCOMPANY:

Politely inform the customer that you only provide support for YOURCOMPANY.

Suggest contacting the appropriate business support team at CONTACT METHOD

<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 brukt i denne flowen

Nedenfor er en komplett liste over alle komponenter som brukes i denne flowen for å oppnå dens funksjonalitet. Komponenter er byggesteinene i hver AI Flow. De lar deg lage komplekse interaksjoner og automatisere oppgaver ved å koble sammen ulike funksjoner. Hver komponent tjener et spesifikt formål, som å håndtere brukerinndata, behandle data, eller integrere med eksterne tjenester.

ChatInput

Chat Input-komponenten i FlowHunt initierer brukerinteraksjoner ved å fange opp meldinger fra Playground. Den fungerer som startpunktet for flyter, og gjør det mulig for arbeidsflyten å behandle både tekst- og filbaserte innspill.

Se ChatInput

Prompt-komponent i FlowHunt

Lær hvordan FlowHunts Prompt-komponent lar deg definere din AI-bots rolle og oppførsel, og sikrer relevante, personaliserte svar. Tilpass prompt og maler for effektive, kontekstsensitive chatbot-strømmer.

Se Prompt-komponent i FlowHunt

Opprett Data

Opprett Data-komponenten lar deg dynamisk generere strukturerte dataregistre med et tilpassbart antall felt. Ideell for arbeidsflyter som krever opprettelse av nye dataobjekter underveis, den støtter fleksibel feltkonfigurasjon og sømløs integrasjon med andre automatiseringstrinn.

Se Opprett Data

API-forespørsel

Integrer eksterne data og tjenester i arbeidsflyten din med API-forespørsel-komponenten. Send HTTP-forespørsler enkelt, angi egendefinerte headers, body og spørringsparametere, og håndter flere metoder som GET og POST. Essensielt for å koble automatiseringene dine til enhver web-API eller tjeneste.

Se API-forespørsel

Analyser Data

Komponenten Analyser Data omformer strukturert data til ren tekst ved hjelp av tilpassbare maler. Den muliggjør fleksibel formatering og konvertering av datainnganger for videre bruk i arbeidsflyten din, og hjelper til med å standardisere eller forberede informasjon for nedstrøms komponenter.

Se Analyser Data

Generator

Utforsk Generator-komponenten i FlowHunt—kraftig AI-drevet tekstgenerering ved bruk av din valgte LLM-modell. Lag enkelt dynamiske chatbot-svar ved å kombinere prompt, valgfrie systeminstruksjoner og til og med bilder som input, noe som gjør den til et kjernetool for å bygge intelligente, samtalebaserte arbeidsflyter.

Se Generator

LLM OpenAI

FlowHunt støtter dusinvis av tekstgenereringsmodeller, inkludert modeller fra OpenAI. Her er hvordan du bruker ChatGPT i dine AI-verktøy og chatboter.

Se LLM OpenAI

Chatthistorikk-komponent

Chatthistorikk-komponenten i FlowHunt gjør det mulig for chatboter å huske tidligere meldinger, noe som sikrer sammenhengende samtaler og forbedret kundeopplevelse samtidig som minne- og tokenbruk optimaliseres.

Se Chatthistorikk-komponent

Verktøy-Kallende Agent

Utforsk Verktøy-Kallende Agent i FlowHunt—en avansert arbeidsflytkomponent som gjør det mulig for AI-agenter å intelligent velge og bruke eksterne verktøy for å svare på komplekse forespørsler. Perfekt for å bygge smarte AI-løsninger som krever dynamisk verktøybruk, iterativ resonnering og integrasjon med flere ressurser.

Se Verktøy-Kallende Agent

Dokumentinnhenter

FlowHunts Dokumentinnhenter forbedrer AI-nøyaktigheten ved å koble generative modeller til dine egne oppdaterte dokumenter og nettadresser, og sikrer pålitelige og relevante svar ved bruk av Retrieval-Augmented Generation (RAG).

Se Dokumentinnhenter

Google Docs-henter

Integrer arbeidsflytene dine med Google Docs ved hjelp av Google Docs-henter-komponenten—hent dokumentinnhold sømløst til bruk i automatiseringer, chatboter eller kunnskapsbaserte arbeidsflyter. Ideell for tilgang til, bearbeiding og utnyttelse av Google Docs i FlowHunt-flows.

Se Google Docs-henter

Chat Output

Oppdag Chat Output-komponenten i FlowHunt—fullfør chatbot-svar med fleksible, flerdelte utganger. Essensielt for sømløs flytavslutning og for å lage avanserte, interaktive AI-chatboter.

Se Chat Output

Flow-beskrivelse

Formål og fordeler

Oversikt

Denne arbeidsflyten automatiserer prosessen med å hente kundemeldinger fra et billett- eller støttesystem, trekke ut den siste relevante meldingen, berike den med kontekst og chatthistorikk, og deretter benytte avansert AI (LLM-er) kombinert med kunnskapsverktøy for å generere profesjonelle, flerspråklige kundestøttesvar. Prosessen forbereder og sender så disse svarene tilbake til eksterne systemer, noe som gjør den ideell for skalering og automatisering av kundestøtte, kunnskapsinnhenting og ekstern API-integrasjon.

Trinnvis gjennomgang

1. Innhenting og forberedelse av input

  • Chatinnput: Arbeidsflyten kan motta innkommende chatmeldinger direkte.
  • Promptopprettelse for API: Systemet bruker en promptmal for dynamisk å konstruere URL for å hente billettmeldinger fra en ekstern API (f.eks. https://arshiakahani.ladesk.com/api/v3/tickets/{input}/messages). Dette muliggjør fleksibel henting basert på innkommende brukerdata.
  • Konstruksjon av spørringsparametere: En dataskapingsnode brukes til å bygge nødvendige spørringsparametere for API-forespørselen dynamisk.

2. Henting av eksterne data

  • API-forespørsel: Ved å bruke den konstruerte URL-en og spørringsparametrene, sender arbeidsflyten en GET-forespørsel for å hente billettens meldingshistorikk fra et eksternt billettsystem. API-nøkkelautentisering støttes via headere.
  • Parsing av hentede data: Når API-en returnerer data, strukturerer og konverterer en parsernode disse dataene til ren tekst ved hjelp av maler, slik at de egner seg for videre AI-behandling.

3. Uttrekk og forprosessering av meldinger

  • LLM-basert uttrekk: En OpenAI LLM (f.eks. GPT-4.1) brukes med en systemprompt for kun å trekke ut den nyeste brukermeldingen fra billettdataene (spesielt meldinger av type “M”)—slik sikres det at kun relevant innhold behandles videre.
  • Promptberikelse: Den uttrukne meldingen og chatkonteksten settes inn i en avansert promptmal som inkluderer samtalehistorikk og segmentering av siste melding, og forbereder innputen til hovedstøtteagenten.

4. Kunnskapsberikelse

  • Chatthistorikk: Systemet kan slå opp de siste N meldingene i samtalen for å gi kontinuitet og rikere kontekst.
  • Dokumenthenting: Et dokumenthenterverktøy søker i interne/eksterne kunnskapsbaser (valgfritt inkludert Google Docs) etter relevant informasjon for å svare på kundens spørsmål. Dette er avgjørende for å forankre svarene i oppdatert og nøyaktig kunnskap.
  • Verktøyintegrasjon: Både dokumenthenter og Google Docs-henter er registrert som “verktøy” tilgjengelig for agenten, noe som muliggjør dynamisk oppslag under svargenerering.

5. Agentdrevet svargenerering

  • Verktøykallende agent: I kjernen er det en verktøykallende agent (drevet av en LLM) som mottar den berikede prompten, chatthistorikk og tilgang til kunnskapsverktøy. Dens rolle er å avgjøre brukers intensjon, søke i kunnskapsbasen/verktøyene etter svar og komponere et konsist, vennlig og profesjonelt svar.
    • Agenten svarer alltid på slovakisk som standard, eller bytter til kundens språk hvis det oppdages.
    • Strukturert formatering håndheves: korte avsnitt, fet skrift for å fremheve, punktlister og emojier for engasjement.
    • Agenten prioriterer å bruke hentet kunnskap, finner aldri opp fakta eller URL-er, ber om avklaring ved behov, og eskalerer uløste saker til menneskelige agenter.
    • Alle svar følger kundestøttens tone og struktur, egnet for e-postkommunikasjon.

6. Etterprosessering og utdata

  • Svarformatering: Agentens svar behandles videre gjennom promptmaler for å konstruere flerspråklig utdata (f.eks. inkludert både slovakisk og kundens originale språk).
  • LLM-generering: En annen LLM-node kan generere eller oversette deler av utdataene etter behov.
  • API-integrasjon for utgående meldinger: Arbeidsflyten bygger dynamisk dataobjekter for utgående API-forespørsler, pakker det genererte svaret, og sender det (typisk via POST) til relevant eksternt system.
  • Parsing og endelig utdata: Utgående API-svar kan parses og vises i chat-lekeplassen eller sendes tilbake til brukergrensesnittet.

Nøkkelkomponenter og deres formål

KomponentFormål
ChatinnputTar imot bruker-/kundemeldinger
PromptmalBygger dynamisk URL-er og meldingsprompter
API-forespørselHenter billettdata/meldinger fra eksternt system
Parse DataKonverterer strukturerte data til ren tekst
OpenAI LLMTrekker ut relevante meldinger, genererer eller oversetter svar
DokumenthenterSøker kunnskapsbase etter relevant info
Google Docs-henterIntegrerer eksterne dokumenter som kunnskap for agenten
Verktøykallende agentSentral AI-støtteagent—bruker verktøy og chatthistorikk
Create DataPakker svar og data for utgående API-forespørsler
Chat OutputViser endelig resultat til sluttbruker eller system
NotaterGir operatørveiledning (f.eks. hvor API-nøkler/URL-er skal legges inn)

Bruksområder og fordeler

  • Automatisert kundestøtte: Strømlinjeformer prosessen med å trekke ut, berike og svare på kundehenvendelser med profesjonelle, nøyaktige og kontekstbevisste svar.
  • Flerspråklig støtte: Oppdager og svarer automatisk på kundens språk, med oversettelse og formatering håndtert av arbeidsflyten.
  • Skalerbar kunnskapsforvaltning: Integrerer flere kunnskapskilder (interne dokumenter, Google Docs osv.) for omfattende og oppdaterte svar.
  • Sømløs integrasjon med eksterne systemer: Knytter seg enkelt til ulike API-er for både innkommende (henting av meldinger) og utgående (posting av svar) handlinger.
  • Menneskelig eskalering ved behov: Overfører automatisk uløste eller uklare saker til menneskelige agenter for å sikre høy kvalitet på støtten.

Hvorfor denne arbeidsflyten er nyttig for skalering og automatisering

  • Reduserer manuelt arbeid: Ved å automatisere datainnhenting, meldingsuttrekk, kontekstbygging og svargenerering, minimeres behovet for menneskelig inngripen ved rutineforespørsler.
  • Konsistens og kvalitet: Sikrer at all kundekommunikasjon følger selskapets tone, format og informasjonsnøyaktighet, uavhengig av agent eller vakt.
  • Rask tilpasning: Kobler seg enkelt til nye datakilder eller API-er, tilpasser seg nye språk, og kan skaleres for å håndtere høyere støttevolum med minimalt ekstra oppsett.
  • Bedre kundetilfredshet: Rask, relevant og vennlig respons—tilpasset hver kundes språk og spørsmål—gir bedre opplevelser og lojalitet.

Visuell flyt (forenklet)

Nedenfor er en forenklet flytskjema-representasjon av hovedstegene:

  1. Chatinnput / API-forespørsel →
  2. Hent billettmeldinger (API-forespørsel) →
  3. Parse Data →
  4. Trekk ut siste brukermelding (LLM) →
  5. Berik prompt med kontekst og historikk →
  6. Hent kunnskap (Dokument/Google Docs-henter) →
  7. Verktøykallende agent (LLM) genererer svar →
  8. Formater/oversett/send svar (API-forespørsel) →
  9. Vis/lever utdata

Denne arbeidsflyten er et robust fundament for enhver organisasjon som ønsker å automatisere og skalere kundestøtte, teknisk bistand eller informasjonsleveransearbeidsflyter som krever integrasjon med eksterne API-er, kunnskapsbaser og avanserte AI-svar.

La oss bygge ditt eget AI-team

Vi hjelper bedrifter som din med å utvikle smarte chatboter, MCP-servere, AI-verktøy eller andre typer AI-automatisering for å erstatte mennesker i repeterende oppgaver i organisasjonen din.

Planlegg en demo Prøv det nå

Lær mer

AI kundestøtteagent med LiveAgent API-integrasjon
AI kundestøtteagent med LiveAgent API-integrasjon

AI kundestøtteagent med LiveAgent API-integrasjon

Denne AI-drevne arbeidsflyten automatiserer kundestøtte ved å koble brukerspørsmål til bedriftens kunnskapskilder, eksterne API-er (som LiveAgent) og en språkmo...

4 min lesing
AI-kundesupportagent for LiveAgent
AI-kundesupportagent for LiveAgent

AI-kundesupportagent for LiveAgent

Denne arbeidsflyten automatiserer kundesupport for din bedrift ved å integrere LiveAgent-samtaler, hente ut relevante samtaledata, generere svar med AI-modeller...

4 min lesing
AI-støttet chatbot med LiveAgent-integrasjon
AI-støttet chatbot med LiveAgent-integrasjon

AI-støttet chatbot med LiveAgent-integrasjon

Automatiser kundestøtten din med en AI-chatbot som besvarer spørsmål ved hjelp av din interne kunnskapsbase og sømløst kobler brukere til en menneskelig agent v...

3 min lesing