Arbeidsflytbeskrivelse

Denne arbeidsflyten er designet for å automatisere og skalere avanserte kundestøtte- og kunnskapshentingsoppgaver, ved bruk av LLM-er (Large Language Models), dynamisk datagenerering, eksterne API-forespørsler (som LiveAgent) og automatisert dokumenthenting. Den er spesielt nyttig for organisasjoner som ønsker å effektivisere supportprosesser, svare på kundehenvendelser med kontekstbaserte svar, og integrere oppslag i kunnskapsbaser med eksterne systeminteraksjoner.

Overordnet oversikt

Arbeidsflyten organiserer disse hovedstegene:

• Mottar brukerinput (via chat)
• Bygger dynamiske API-forespørsler basert på brukerinput og kontekst
• Henter og analyserer data fra eksterne kilder (f.eks. LiveAgent)
• Bruker LLM-er for å hente ut og oppsummere relevant informasjon fra svarene
• Beriker svarene ved å hente dokumenter fra kunnskapsbasen
• Bruker en LLM-basert agent til å generere kundevennlige svar, alltid forankret i hentet kontekst
• Presenterer svaret tilbake til brukeren

Hovedkomponenter og flyt

Detaljerte steg

1. Brukerinput og kontekstinnhenting

• Prosessen starter med en Chat Input-node, hvor brukerens melding mottas.
• Chat History-noden henter de siste N meldingene, slik at svarene kan tilpasses konteksten.
• En Prompt Template bruker brukerinput og historikk til å dynamisk generere en URL for eksternt API (for eksempel for å hente en samtaleutskrift fra LiveAgent).

2. Oppbygging av API-forespørsel

• Create Data-noder lar deg lage dynamiske spørringsparametere eller forespørselsbody (inkludert sikker lagring av API-nøkler eller andre nødvendige felt).
• Den genererte URL-en og parametrene mates inn i en API Request-node, som interagerer med eksterne systemer (som LiveAgent) for å hente nødvendig data.

3. Dataparsing og forhåndsprosessering

• API-svar behandles med Parse Data-noder, som omformer rådata til strukturert tekst eller trekker ut bare relevante felt.
• Denne analyserte dataen sendes til LLM Generator-noden, som har til oppgave å hente ut spesifikk informasjon (f.eks. “Preview”-seksjonen) ved hjelp av en tydelig systemmelding.

4. Kunnskapsberikelse

• Samtidig lar Document Retriever-noden systemet søke i interne kunnskapsbaser etter dokumenter som er svært relevante for brukerens spørsmål, og beriker agenten med autoritativ kontekst. Dette verktøyet er tilgjengelig for LLM-agenten.

5. LLM-agentens svargenerering

• Tool Calling Agent-noden er en kraftig LLM-basert agent som:
  • Mottar brukerinput, API-svar, chat-historikk, og tilgang til verktøy (Document Retriever, Contact Human Assist, osv.)
  • Styres av en detaljert systemprompt som spesifiserer:
    • Alltid bruk autoritative kilder (f.eks. Document Retriever, knowledge_source_tool)
    • Aldri finn på svar eller URL-er
    • Still oppklarende spørsmål ved behov
    • Formater svarene vennlig, profesjonelt og konsist
    • Bruk punktlister, fet tekst og emojis for engasjerende svar
    • Svar alltid på slovakisk (eller oppdaget brukerspråk), i e-post-tone
    • Eskaler til menneskelig support hvis henvendelsen ikke kan løses
• Dette sikrer at hvert kundesvar er nøyaktig, kontekstbasert, policy-etterlevende og svært skalerbart.

6. Utsending til bruker

• Det endelige genererte svaret (fra LLM-agenten) behandles og formateres, og leveres deretter til brukeren via Chat Output-noder.

Notater og beste praksis

• API-nøkkel og LiveAgent-lenke: Arbeidsflyten inkluderer notatnoder som minner brukeren på å sette inn sin API-nøkkel og erstatte YOURLINK i promptmallene med virksomhetens faktiske LiveAgent-URL.
• Sikkerhet og etterlevelse: API-nøkler og sensitiv data håndteres med dynamiske datanoder for å minimere risiko for utilsiktet eksponering.
• Utvidbarhet: Den modulære designen gjør det enkelt å legge til flere verktøy, datatransformasjoner eller utgående kanaler.

Hvorfor er denne arbeidsflyten nyttig for skalering og automatisering?

• Helautomatisk arbeidsflyt: Integrerer flere datakilder (live chat, API-er, kunnskapsbase) og automatiserer beslutnings- og svargenereringsprosessen.
• LLM-drevet resonnering: Utnytter moderne LLM-er til kontekstforståelse, informasjonsinnhenting og menneskelik kommunikasjon.
• Konsistent, høy kvalitet på support: Agentens systemprompt håndhever selskapets retningslinjer, tone, eskaleringsrutiner, og sørger for at ingen “hallusinerte” data oppgis.
• Rask integrasjon med eksterne systemer: Kan enkelt tilpasses ulike API-er eller kunnskapsbaser ved å oppdatere promptmaler og tilkoblingsnoder.
• Human-in-the-loop-eskalering: Overfører komplekse saker sømløst til menneskelige agenter for å sikre dekning av edge-caser.
• Skalerbarhet: Kan håndtere store mengder henvendelser parallelt, med konsistent nøyaktighet og etterlevelse.

Oppsummeringstabell over nøkkel-noder

Denne arbeidsflyten er ideell for å automatisere kundestøtte, integrere med eksterne saksbehandlings- eller chat-systemer, og sikre at LLM-drevne svar alltid er forankret i autoritativ firmakunnskap. Den kan være ryggraden i en skalerbar, intelligent supportassistent klar for bedriftsbruk.