Prompt
Prompt-mal for å bygge API-forespørsels-URL ved hjelp av brukerinput.
https://YOURLINK.ladesk.com/api/conversations/{input}
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 språkmodell for profesjonelle, vennlige og svært relevante svar. Flyten henter samtalehistorikk, bruker dokumentsøk og samhandler med eksterne systemer for å gi konsise, strukturerte svar, og eskalerer til menneskelig støtte om nødvendig. Ideell for bedrifter som ønsker å optimalisere støtte, produktanbefalinger og informasjonslevering.
Flows
Hvordan AI Flow fungerer
- Motta og strukturér kundens forespørsel.
- Fanger opp brukerens spørsmål eller problem, forbereder dynamiske API-forespørsler og kontekst med bruk av prompt-maler, og strukturerer de innledende datainputtene.
- Spør eksterne systemer og hent data.
- Sender forespørsler til eksterne kundestøtte-API-er (f.eks. LiveAgent) og samler inn kontoinformasjon eller samtaledata som trengs for å løse kundens problem.
- Ekstraher og generer relevant kontekst.
- Behandler de innhentede dataene, trekker ut nøkkelinformasjon, og bruker en LLM for å generere eller forbedre konteksten for kundens forespørsel for nøyaktig støtte.
- AI-agent svarer ved hjelp av kunnskapsbase og verktøy.
- En AI-agent benytter bedriftens kunnskapskilder, dokumenthentingsverktøy, samtalehistorikk og språkmodell for å formulere konsise, profesjonelle svar eller anbefalinger.
- Svar kunden eller eskaler.
- Leverer AI-generert svar til kunden i et strukturert format, og eskalerer til en menneskelig agent hvis henvendelsen ikke kan løses automatisk.
Prompts brukt i denne flowen
Nedenfor er en komplett liste over alle prompts som brukes i denne flowen for å oppnå dens funksjonalitet. Prompts er instruksjoner gitt til AI-modellen for å generere svar eller utføre handlinger. De veileder AI-en i å forstå brukerens intensjon og generere relevante resultater.
Prompt
Prompt-mal for å bygge API-forespørsels-URL for samtalemeldinger.
https://YOURLINK.ladesk.com/api/conversations/{human_input}/messages
Generator
Systemmelding prompt for LLM for å ekstrahere forhåndsvisningsdelen(e) 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
Systemmelding prompt for agenten til å opptre som kundestøtte- og handelhjelp for *YOURCOMPANY* på slovakisk, med detaljer om oppførsel og verktøybruk.
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. 
<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 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.
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.
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.
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.
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.
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.
LLM OpenAI
FlowHunt støtter dusinvis av tekstgenereringsmodeller, inkludert modeller fra OpenAI. Her er hvordan du bruker ChatGPT i dine AI-verktøy og chatboter.
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.
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).
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.
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.
Flow-beskrivelse
Formål og fordeler
Denne arbeidsflyten er utviklet for å automatisere, effektivisere og skalere prosessen med kundestøtte og produktanbefaling ved å utnytte API-integrasjoner, dokumenthenting, språkmodeller og dynamisk databehandling. Nedenfor er en detaljert oversikt over struktur, komponenter og den automatiseringen som tilbys.
Oversikt og formål
Hovedmålet med flyten er å opptre som en intelligent, automatisert kundestøtte- og handelhjelp for et selskap, ved å bruke avansert AI (OpenAI LLM-er), dynamisk prompt-konstruksjon, API-kall og dokumenthenting. Den er laget for å besvare kundespørsmål, hente relevant kunnskap, anbefale produkter og eskalere til menneskelige agenter ved behov—alt med en vennlig, profesjonell tone og strukturert utdata.
En slik arbeidsflyt muliggjør skalerbar og konsistent kundedialog, reduserer manuelt arbeid og sikrer høy kvalitet på støttesvar selv når etterspørselen øker.
Arbeidsflytens struktur og nøkkelsteg
1. Input og chat-historikk
- Chat Input-noden samler inn brukermeldinger og vedlegg som startpunkt.
- Chat History-noden henter de siste N meldingene og gir samtalekontekst, slik at svarene blir personlige og kontekstavhengige.
2. Prompt-konstruksjon
- Prompt Templates genererer dynamisk API-URL-er ved hjelp av brukerinput og chat-historikk. For eksempel:
- Én mal konstruerer en URL for å hente samtaledata fra LiveAgent (bytt ut
YOURLINKmed ditt eget domene). - En annen mal brukes for å poste nye meldinger til LiveAgent.
- Én mal konstruerer en URL for å hente samtaledata fra LiveAgent (bytt ut
- Notater er inkludert som påminnelser om å sette inn API-nøkler eller oppdatere LiveAgent-lenken i malene.
3. API-forespørsler
- Arbeidsflyten bruker to API Request-noder:
- Én for å hente samtaleinformasjon (GET-forespørsler).
- En annen for å sende meldinger eller samhandle med samtalen (POST-forespørsler).
- Create Data-noder bygger nødvendige spørringsparametere eller body-data dynamisk for disse API-kallene (f.eks. inkludert API-nøkler eller meldingsinnhold).
4. Dataparsing og behandling
- Parse Data-noder konverterer API-responser fra strukturert data til ren tekst, eventuelt ved bruk av maler for formatering.
- Dette gjør at utdata fra API-kall blir egnet for videre AI-behandling eller visning for brukeren.
5. Kunnskapshenting
- Document Retriever er et integrert verktøy som søker i en kunnskapsbase eller dokumentasjonsrepository basert på brukerens forespørsel, og returnerer de mest relevante dokumentene, utdragene eller lenkene.
- Den gir kunnskap som et verktøy for AI-agenten, slik at svarene er forankret i bedriftens kunnskap.
6. AI-generering og etterbehandling
- LLM OpenAI-noder (to brukes med ulike konfigurasjoner) gir tilgang til store språkmodeller (f.eks. GPT-4.1) for å generere svar og trekke ut strukturert informasjon.
- Generator-noden bruker LLM for å ekstrahere spesifikke seksjoner (f.eks. “Preview”) fra behandlede API-responser.
7. Agentstyrt resonnering
- Tool Calling Agent er den sentrale resonnementsmotoren:
- Mottar behandlet input, chat-historikk og tilgang til verktøy (som Document Retriever).
- Bruker en omfattende systemprompt for å sikre at svarene følger selskapets retningslinjer, tone og struktur.
- Bestemmer dynamisk om det skal svares fra kunnskapsbasen, stilles oppfølgingsspørsmål eller eskaleres til menneskelig agent.
- Sørger for at utdataene er konsise (100–200 tokens), godt formaterte og på kundens foretrukne språk.
8. Visning av utdata
- Chat Output-noder viser den endelige AI-genererte eller behandlede meldingen til brukeren.
- Arbeidsflyten støtter flere utgangspunkter for ulike steg (f.eks. etter AI-generering, etter agentresonnering osv.).
Komponentrelasjoner (forenklet tabell)
| Steg | Input | Output | Formål |
|---|---|---|---|
| Chat Input | Brukermelding | Melding | Inngangspunkt for brukerforespørsler |
| Chat History | - | Chat-historikk | Gir kontekst for personlige svar |
| Prompt Templates | Brukerinput, chat-historikk | API-URL-er (som tekst) | Bygger dynamisk URL-er for API-kall |
| Create Data | - | Spørrings-/body-data | Bygger nødvendig data for API-forespørsler |
| API Request | URL, parametre/body | API-responsdata | Henter eller poster data til ekstern tjeneste (f.eks. LiveAgent) |
| Parse Data | API-respons | Tekst | Gjør strukturert data om til ren tekst for LLM eller bruker |
| LLM OpenAI | Prompt, parametre | AI-generert tekst | Genererer tekst, trekker ut informasjon |
| Generator | Tekst, modell | Behandlet tekst | Ekstraherer spesifikk info (f.eks. “Preview”) fra input |
| Document Retriever | Forespørsel | Dokumenter/verktøy | Finner relevant info i bedriftens kunnskapsbase |
| Tool Calling Agent | Input, verktøy, historikk, modell | Resonert melding | Orkestrerer svar, verktøybruk, eskalering og formatering |
| Chat Output | Melding | - | Viser melding til bruker |
Hvorfor denne arbeidsflyten er nyttig for automatisering og skalering
- Konsistens: Sikrer at alle kunder får nøyaktige, policytilpassede og merkevarejusterte svar, uansett volum.
- Skalerbarhet: Håndterer ubegrenset antall samtidige samtaler, ved å bruke AI og automatiserte verktøy i stedet for kun menneskelige agenter.
- Effektivitet: Reduserer manuelt arbeid for agenter ved å automatisere kunnskapssøk, svargenerering og til og med eskaleringslogikk.
- Personalisering: Integrerer chat-historikk og kontekst for skreddersydde svar.
- Utvidbarhet: Kan enkelt tilpasses eller utvides ved å endre prompt-maler, legge til nye API-integrasjoner eller oppdatere kunnskapskilder.
- Flerspråklig støtte: AI-agenten kan svare på kundens foretrukne språk, noe som forbedrer brukeropplevelsen.
Høydepunkter i automatiseringslogikken
- Dynamisk input-håndtering: Flyten tilpasser sine API-kall og kunnskapssøk ut fra løpende brukerinput og samtalekontekst.
- Betinget resonnering: Agenten velger beste kilde (kunnskapsbase, API eller menneskelig eskalering) for hvert svar.
- Strukturert utdata: Tvinger frem korte, godt formaterte og engasjerende svar, inkludert punktlister, uthevet tekst og emojier.
- Sikkerhet: Påminner brukere om å sette inn API-nøkler sikkert og oppdatere firmaspesifikke lenker.
- Tilbakemeldingssløyfer: Agenten kan stille oppfølgingsspørsmål eller eskalere til menneskelig støtte når automatisering ikke kan løse saken.
Oppsummering
Denne arbeidsflyten er en robust, modulær automatisering for AI-drevet kundestøtte og produktanbefaling. Den kombinerer chat-input, dynamisk API-integrasjon, dokumenthenting og avanserte språkmodeller under en samlet orkestrert agent. Ved å automatisere repeterende oppgaver og bruke AI til resonnering, gjør den det mulig for din support å skalere effektivt og samtidig opprettholde høy servicegrad og personlig tilpasning.
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.
Lær mer
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 avanse...
5 min lesing
AI kundeservice-chatbot med menneskelig overlevering
En AI-drevet kundeservice-chatbot som automatisk hjelper brukere, henter informasjon fra interne dokumenter og nettet, og sømløst eskalerer til en menneskelig a...
3 min lesing