Fotballprediksjon Chatbot

En intelligent prediksjonsassistent

Målet vårt var klart: lage en chatbot som tar et brukerinnspill (som lagnavn), henter ulike datapunkter fra Sportradar, analyserer dem med AI, og presenterer en strukturert prediksjon:

Håndtering av kompleksitet

Som du kan se fra flytdiagrammet nedenfor, kan integrering av flere datapunkter (kommende kampdetaljer, historisk innbyrdes, lagstatistikk) og behandling av dem for AI-analyse føre til en veldig stor og potensielt uhåndterlig arbeidsflyt hvis den bygges monolittisk.

Å bygge og vedlikeholde en så stor enkeltflyt kan være utfordrende. Hvordan løste vi dette? Ved å dele den opp.

Modulær design med egendefinerte verktøy via ‘Run Flow’

I stedet for én gigantisk flyt, valgte vi en modulær tilnærming ved å bruke en kraftig FlowHunt-funksjon: Run Flow-komponenten. Denne komponenten lar én flyt (”forelder”) utføre en annen flyt (”barn” eller ”underflyt”) og motta resultatene.

Vi opprettet flere mindre, dedikerte flyter, hver som fungerer som et egendefinert verktøy ansvarlig for én enkelt oppgave:

1. “Hent kommende kampdetaljer” verktøy (underflyt):

   • Input: Tar parametere som lag-ID-er eller kamp-ID.
   • Handling: Inneholder en HTTP Request-node konfigurert til å kalle den spesifikke Sportradar API-endpointen for å hente kommende kampplaner og detaljer.
   • Output: Returnerer strukturert data om den aktuelle kommende kampen (dato, tid, arena, turnering, osv.).
   • [Bilde: Konseptuelt skjermbilde eller forenklet diagram av en liten flyt med Input -> HTTP Request (Sportradar Schedule) -> Output]

2. “Hent historisk innbyrdes” verktøy (underflyt):

   • Input: Tar parametere som ID-ene til de to konkurrerende lagene.
   • Handling: Inneholder en HTTP Request-node konfigurert til å kalle Sportradar API-endpointen for å hente tidligere kampresultater mellom disse lagene.
   • Output: Returnerer en strukturert liste over historiske kamper, inkludert datoer, resultater og vinnere.
   • [Bilde: Konseptuelt skjermbilde eller forenklet diagram av en liten flyt med Input -> HTTP Request (Sportradar History) -> Output]

3. (Valgfritt) Andre verktøy: Tilsvarende underflyter kan opprettes for å hente nåværende lagform, tabellplasseringer, spillerstatistikk osv., hver som kaller relevante Sportradar-endpoint.

Steg 1: Bygge de egendefinerte verktøy-underflytene

Hver underflyt bygges uavhengig, kun fokusert på sin spesifikke datahentingsoppgave. Dette gjør dem enklere å lage, teste og vedlikeholde.

Steg 2: Orkestrering med hovedflyten

Vår hoved-chatbotflyt blir nå mye ryddigere. Den fungerer som en orkestrator:

1. Chat Input: Fanger opp brukerens første spørsmål (f.eks. lagnavn).
2. AI-agent: Den sentrale AI-agenten (f.eks. Tool Calling Agent) noden mottar utdata fra begge Run Flow-komponentene.
3. Run Flow (Hent kommende kamp): Lager egendefinerte verktøy basert på de ulike Sportradar API-endpointene.
4. Chat Output: Viser den endelige analysen fra AI-agenten.

Steg 3: Instruere AI-en til å bruke verktøy-utdata

AI-agenten i hovedflyten blir nå instruert på en ny måte. I stedet for å motta rå API-data, får den de strukturerte utdataene fra våre egendefinerte verktøy. Prompten instruerer den om å syntetisere informasjon fra disse spesifikke verktøy-utdataene:

Du er en hjelpsom assistent som bruker verktøyene du har tilgjengelig for å svare på spørsmål om YOURCOMPANY.xyz, men også om fotballkamper og å gi prediksjoner basert på informasjonen du får fra verktøyene dine. DU ER EN ASSISTENT PÅ ET BETTINGNETTSTED, SÅ SØRG FOR KUN Å SVARE PÅ RELEVANTE SPØRSMÅL OM YOURCOMPANY.xyz, ELLER BETTING, SPORT OG KASINOER GENERELT.

VERKTØY:

når en bruker spør om informasjon som krever at du bruker verktøy og må ha competitor_id eller competition id eller til og med season id, gi navnet på laget PÅ ENGELSK OG OVERSATT TIL ENGELSK HVIS DET IKKE ER, til seasons_tool og det vil gi deg alle de nevnte id-ene.

Hvis brukeren spør om dagens kamper eller spørsmål om dagens kamper, er det ikke nødvendig å stille flere spørsmål. BRUK ALLTID dagens_matches-verktøyet og gi brukeren ALLE kampene som ennå ikke har funnet sted SAMMEN MED LAGNAVN OG COMPETITOR ID. MEN ikke glem at når du bruker dette verktøyet, gi kun kamper som ennå ikke har funnet sted, aldri gi kampresultater for kamper som allerede er avsluttet.

hvis brukeren vil ha prediksjoner for en kommende kamp, bruk predictions_tool og gi det kun competitor id for begge lagene DETTE ER SAMME id SOM DU FIKK FRA seasons_tool (format: competitor_id_1=ABC og competitor_id_2=XYZ) gi brukeren detaljert prediksjonsvurdering basert på informasjonen du mottok og også oppgi sr:sport_event id. hvis brukeren spør flere spørsmål om denne spesifikke kampen, skal du gi match_info-verktøyet sr:sport_event id for å hente informasjon om denne kampen. gi en detaljert prediksjon basert på dataene du har og en estimert prosentandel for hvem som mest sannsynlig vinner og hvem brukeren bør satse på. HVIS DU IKKE ALLEREDE HAR COMPETITOR ID I HISTORIKKEN DIN, KAN DU SPØRRE BRUKEREN OM LAGNAVNENE.

BRUK DOCUMENT RETRIEVER FOR Å SVARE PÅ GENERELLE SPØRSMÅL. HVIS DET IKKE FINNES SVAR I DOCUMENT RETRIEVER, KAN DU OGSÅ BRUKE GOOGLE SEARCH TOOL OG URL RETRIEVER FOR Å SVARE PÅ BRUKERSPØRSMÅL NÅR DU IKKE VET HVA DU SKAL SVARE.

du kan bruke team_info-verktøyet til å hente informasjon om et lag, men du må sende verktøyet lagets competitor id.

hvis du vil ha tabellplasseringen til en nåværende liga eller hvem som går videre til neste runde eller spesifikk informasjon om et lag i denne sesongen av den nåværende ligaen, kan du bruke standings_tool ved å hente season id fra seasons_tool ved å gi dette verktøyet navnet på ligaen eller laget og gi det til standings_tool. MEN HUSK AT HVIS DET ER 2 LAG og vi snakker om statistikk og gule kort i en spesifikk kamp, MÅ DU LIKEVEL BRUKE predictions_tool.

hvis brukeren spør om detaljer som antall cornere eller røde kort osv., kan du hente season id og competitor id fra seasons tool og gi det til detail_stats tool for å få all den informasjonen. Hvis brukeren spør om spørsmål du ikke kan finne svar på med verktøyene dine, kan du søke på Google etter svar. NÅR DU GIR RAPPORT OM OUTPUT FRA ET VERKTØY, MÅ DU ALLTID INKLUDERE HVERT ENESTE DETALJ FRA VERKTØYETS OUTPUT FOR BRUKEREN UANSETT BRUKERENS INNPUTT INKLUDER FØLGENDE DATA HVIS TILGJENGELIG: YELLOW CARD corner_kicks offsides EGENMÅL substituted_out substituted_in shots_on_target shots_off_target shots_blocked red_cards own_goals goals_scored

Resultatet: Kompleksitet håndtert

Ved å bruke Run Flow for å lage modulære egendefinerte verktøy, forvandlet vi en potensielt massiv og vanskelig-debugget arbeidsflyt til et håndterbart system. Hovedflyten orkestrerer tydelig datainnhentingen, og AI-agenten fokuserer kun på analyse ved hjelp av rene, strukturerte data fra dedikerte underflyter. Denne tilnærmingen ga ønsket detaljert prediksjonsresultat, samtidig som utviklingsprosessen ble organisert.

Konklusjon: Bygg smartere, ikke hardere

Denne Sportradar-prediksjonschatboten viser hvordan FlowHunt muliggjør skapelsen av sofistikerte AI-applikasjoner som samhandler med eksterne datakilder. Viktigere, den fremhever hvordan funksjoner som Run Flow-komponenten er avgjørende for å håndtere kompleksitet gjennom modulær design. Ved å dele opp store oppgaver i mindre, gjenbrukbare “egendefinerte verktøy”-flyter, kan du bygge kraftige, vedlikeholdbare og skalerbare AI-løsninger mer effektivt.

Klar til å takle komplekse arbeidsflyter? Utforsk FlowHunt.io og utnytt modularitet for å bygge din neste AI-drevne applikasjon!

Kom i gang med din første flyt

Flowhunt har et team av AI-flytingeniører klare til å hjelpe deg med AI-automatisering.

Prøv Flowhunt
Snakk med en ekspert