Flow-beskrivelse
Formål og fordeler
Denne arbeidsflyten er laget for å legge til rette for en interaktiv chatteopplevelse der AI-assistenten svarer på brukerdefinerte oppgaver, samtidig som chatthistorikken brukes for kontekstavhengige svar. Dette er en generell mal som gjør den tilpasningsdyktig for et bredt spekter av samtaleautomatiseringer og skalerbare AI-drevne chatløsninger.
Trinnvis gjennomgang av arbeidsflyten
1. Start av chatøkt og velkomstmelding
- Chat Opened Trigger: Når chatten åpnes, aktiveres en utløser.
- Velkomstmelding: En meldings-widget viser en vennlig velkomstmelding til brukeren:
👋 Velkommen til Simple Task Flow!
Dette verktøyet er laget for at du skal kunne definere din egen oppgave basert på din inndata 🌟. Jeg tar hensyn til vår chatthistorikk for å gi relevant assistanse uten noe ytterligere kontekst.
Bare si fra hva du ønsker å gjøre, så setter vi i gang! ✨💬
- Visning: Velkomstmeldingen vises i chatutdataområdet og gir onboarding og forventningsavklaring.
2. Fange opp brukerens inndata
- Chat Input Node: Mottar tekst (og eventuelt fil) fra brukeren, som representerer oppgaven eller spørsmålet de ønsker å ta opp.
3. Hente chatthistorikk
- Chat History Node: Henter opptil de siste 10 meldingene (med en token-grense på 8000) fra chatten. Denne historikken brukes senere for å gi kontekst og opprettholde kontinuitet i samtalen.
4. Opprette prompt
Prompt Template Node: Bygger en dynamisk prompt for språkmodellen. Den integrerer:
- Brukerens siste inndata.
- Nylig chatthistorikk.
- En fast systemmelding som instruerer AI-en til å generere kontekstavhengige svar.
Prompt-malen som brukes er:
You are an AI language model assistant.
Your task is to generate answer for human INPUT with consideration of previous conversation in CHAT HISTORY.
--- CHAT HISTORY START
{chat_history}
--- CHAT HISTORY END
--- INPUT START
{input}
--- INPUT END
ANSWER:
5. AI-generering
- Generator Node: Mottar den opprettede prompten og genererer et tekstsvar ved hjelp av en stor språkmodell (LLM). Dette sikrer at svaret er kontekstuelt relevant og tilpasset brukerens forespørsel.
6. Vise utdata
- Chat Output Node: Det AI-genererte svaret vises til brukeren i chatgrensesnittet.
Strukturtabell for arbeidsflyt
Steg | Node/Komponent | Formål |
---|
Chatstart | ChatOpenedTrigger | Oppdager når chatten åpnes |
Velkomstmelding | MessageWidget | Hilser og informerer brukeren |
Vis velkomst | ChatOutput | Viser velkomstmeldingen |
Brukerinndata | ChatInput | Fanger opp brukerens oppgave eller spørsmål |
Hent historikk | ChatHistory | Henter nylig samtale for kontekst |
Promptopprettelse | PromptTemplate | Bygger prompt for LLM med inndata og chatthistorikk |
AI-generering | Generator | Lager kontekstavhengig svar med prompt |
Vis AI-utdata | ChatOutput | Viser det AI-genererte svaret til brukeren |
Hvorfor denne arbeidsflyten er nyttig for skalering og automatisering
- Kontekstuelle interaksjoner: Ved å inkludere chatthistorikk bevares konteksten, noe som gir mer relevante svar og økt brukertilfredshet.
- Brukerdefinerte oppgaver: Arbeidsflyten er oppgaveuavhengig og lar brukeren definere egne mål, noe som gir høy fleksibilitet.
- Skalerbar automatisering: Den modulære utformingen gjør den egnet for skalering—flere brukere kan chatte samtidig, og hver økt beholder sin egen kontekst.
- Enkel tilpasning: Prompt-malen og nodene kan enkelt tilpasses spesifikke bruksområder (f.eks. support, informasjonsinnhenting, onboarding).
- Konsistent brukeropplevelse: Automatisert hilsen og kontekstavhengige svar sikrer at alle brukerinteraksjoner håndteres profesjonelt og effektivt.
Eksempler på bruksområder
- Kundestøttechatboter som husker tidligere interaksjoner.
- Onboarding-assistenter som veileder nye brukere basert på deres løpende samtale.
- Generelle AI-hjelpere i apper hvor brukeren kan definere egne spørsmål eller oppgaver.
Denne arbeidsflyten gir et solid grunnlag for å bygge intelligente, kontekstavhengige chat-automatiseringer som kan tilpasses mange ulike applikasjoner.