Prompt (PromptTemplate-xAz1P)
Utwórz szablon prompta z dynamicznymi zmiennymi ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).
Przegląd
Ten workflow automatyzuje proces pobierania wiadomości klientów z systemu ticketowego lub wsparcia, wyodrębniania najnowszej istotnej wiadomości, wzbogacania jej kontekstem oraz historią czatu, a następnie wykorzystuje zaawansowane AI (LLM) w połączeniu z narzędziami wiedzy do generowania profesjonalnych, wielojęzycznych odpowiedzi w obsłudze klienta. Następnie przygotowuje i wysyła te odpowiedzi z powrotem do systemów zewnętrznych, co czyni go idealnym rozwiązaniem dla skalowania i automatyzacji wsparcia klienta, wyszukiwania wiedzy i integracji z API zewnętrznymi.
Szczegółowy Przebieg Krok po Kroku
1. Pozyskanie i Przygotowanie Wejścia
- Wejście z Czatu: Workflow może odbierać przychodzące wiadomości czatowe bezpośrednio.
- Tworzenie Promptu dla API: System używa szablonu prompta do dynamicznego budowania URL-a do pobierania wiadomości z ticketu przez zewnętrzne API (np.
https://arshiakahani.ladesk.com/api/v3/tickets/{input}/messages). Umożliwia to elastyczne pobieranie danych w oparciu o napływające dane użytkownika. - Budowanie Parametrów Zapytania: Węzeł tworzenia danych służy do dynamicznego konstruowania niezbędnych parametrów zapytania dla żądania API.
2. Pobieranie Danych Zewnętrznych
- Żądanie API: Wykorzystując skonstruowany URL i parametry zapytania, workflow wysyła żądanie GET w celu pobrania historii wiadomości ticketu z zewnętrznego systemu ticketowego. Autoryzacja kluczem API jest wspierana przez nagłówki.
- Parsowanie Pobranego Dane: Po otrzymaniu danych przez API, węzeł parsera strukturyzuje i konwertuje te dane do zwykłego tekstu przy użyciu szablonów, dzięki czemu nadają się do dalszego przetwarzania przez AI.
3. Wyodrębnianie i Wstępne Przetwarzanie Wiadomości
- Ekstrakcja przez LLM: OpenAI LLM (np. GPT-4.1) jest używany z promptem systemowym do wyodrębnienia tylko najnowszej wiadomości użytkownika z danych ticketu (konkretnie wiadomości typu “M”) — zapewnia to, że tylko istotna treść trafia do dalszego przetwarzania.
- Wzbogacanie Promptu: Wyodrębniona wiadomość oraz kontekst czatu są wstawiane do zaawansowanego szablonu prompta, który zawiera segmentację historii rozmowy i najnowszej wiadomości, przygotowując dane wejściowe dla głównego agenta wsparcia.
4. Wzbogacanie Wiedzy
- Historia Czatów: System może wyszukać ostatnie N wiadomości w rozmowie, aby zapewnić ciągłość i bogatszy kontekst.
- Wyszukiwanie Dokumentów: Narzędzie do wyszukiwania dokumentów przeszukuje wewnętrzne/zewnętrzne bazy wiedzy (opcjonalnie również Google Docs) w poszukiwaniu odpowiednich informacji do odpowiedzi na pytanie klienta. Jest to kluczowe dla oparcia odpowiedzi na aktualnej i dokładnej wiedzy.
- Integracja Narzędzi: Zarówno narzędzie do wyszukiwania dokumentów, jak i Google Docs Retriever są zarejestrowane jako „narzędzia” dostępne dla agenta, umożliwiając dynamiczne wyszukiwanie podczas generowania odpowiedzi.
5. Generowanie Odpowiedzi przez Agenta
- Tool Calling Agent: Sercem rozwiązania jest Tool Calling Agent (oparty na LLM), który otrzymuje wzbogacony prompt, historię czatu i dostęp do narzędzi wiedzy. Jego zadaniem jest określenie intencji użytkownika, wyszukanie odpowiedzi w bazie wiedzy/narzędziach i stworzenie zwięzłej, przyjaznej oraz profesjonalnej odpowiedzi.
- Agent domyślnie odpowiada po słowacku lub przechodzi na język klienta, jeśli zostanie wykryty inny.
- Wymuszone jest ustrukturyzowane formatowanie: krótkie akapity, pogrubienia, wypunktowania i emotikony dla zaangażowania.
- Agent priorytetowo korzysta z pozyskanej wiedzy, nigdy nie wymyśla faktów czy URL-i, prosi o doprecyzowanie w razie potrzeby oraz eskaluje nierozwiązane sprawy do obsługi ludzkiej.
- Wszystkie odpowiedzi zachowują ton i strukturę obsługi klienta, odpowiednie do komunikacji mailowej.
6. Postprocessing i Wyjście
- Formatowanie Odpowiedzi: Odpowiedź agenta jest dodatkowo przetwarzana przez szablony promptów w celu skonstruowania wyjścia wielojęzycznego (np. zawierającego zarówno słowacki, jak i oryginalny język klienta).
- Generowanie przez LLM: Kolejny węzeł LLM może generować lub tłumaczyć fragmenty odpowiedzi w razie potrzeby.
- Integracja API dla Wiadomości Wychodzących: Workflow dynamicznie buduje obiekty danych dla żądań API wychodzących, pakuje wygenerowaną odpowiedź i wysyła ją (zwykle przez POST) do odpowiedniego systemu zewnętrznego.
- Parsowanie i Wyjście Końcowe: Odpowiedzi API wychodzących mogą być parsowane i wyświetlane w czacie testowym lub zwracane do interfejsu użytkownika.
Kluczowe Komponenty i Ich Przeznaczenie
| Komponent | Przeznaczenie |
|---|---|
| Wejście z Czat | Przyjmuje wiadomości użytkownika/klienta |
| Szablon Promptu | Dynamicznie buduje URL-e i prompty wiadomości |
| Żądanie API | Pobiera dane/tickety z systemu zewnętrznego |
| Parsowanie Danych | Przekształca dane strukturalne w zwykły tekst |
| OpenAI LLM | Wyodrębnia istotne wiadomości, generuje lub tłumaczy odpowiedzi |
| Wyszukiwarka Dokumentów | Przeszukuje bazę wiedzy w poszukiwaniu odpowiednich informacji |
| Google Docs Retriever | Integruje zewnętrzne dokumenty jako wiedzę dla agenta |
| Tool Calling Agent | Centralny AI agent wsparcia — korzysta z narzędzi i historii |
| Tworzenie Danych | Pakuje odpowiedzi i dane do żądań API wychodzących |
| Wyjście z Czat | Wyświetla końcowy wynik użytkownikowi lub systemowi |
| Notatki | Wskazówki operacyjne (np. gdzie wprowadzić klucze API/URL-e) |
Zastosowania i Korzyści
- Zautomatyzowana Obsługa Klienta: Usprawnia proces wyodrębniania, wzbogacania i odpowiadania na zapytania klientów profesjonalnie, precyzyjnie i z uwzględnieniem kontekstu.
- Wsparcie Wielojęzyczne: Automatycznie wykrywa i odpowiada w języku klienta, z tłumaczeniem i formatowaniem obsługiwanym przez workflow.
- Skalowalne Zarządzanie Wiedzą: Integruje wiele źródeł wiedzy (dokumenty wewnętrzne, Google Docs itd.) dla pełnych i aktualnych odpowiedzi.
- Bezproblemowa Integracja z Systemami Zewnętrznymi: Łatwo łączy się z różnymi API zarówno do pobierania (wiadomości przychodzące), jak i wysyłania (odpowiedzi wychodzące).
- Eskalacja do Człowieka: Automatycznie przekazuje nierozwiązane lub niejasne przypadki do agentów ludzkich, zapewniając wysoką jakość wsparcia.
Dlaczego Ten Workflow Jest Przydatny do Skalowania i Automatyzacji
- Redukcja Ręcznej Pracy: Automatyzując pobieranie danych, wyodrębnianie wiadomości, budowanie kontekstu i generowanie odpowiedzi, minimalizuje potrzebę interwencji człowieka przy rutynowych zapytaniach.
- Spójność i Jakość: Zapewnia, że cała komunikacja z klientem jest zgodna z tonem firmy, formatem i precyzją informacji — niezależnie od agenta czy zmiany.
- Szybka Adaptacja: Łatwo łączy się z nowymi źródłami danych lub API, dostosowuje do nowych języków i może obsługiwać większe wolumeny wsparcia przy minimalnej dodatkowej konfiguracji.
- Poprawa Satysfakcji Klienta: Szybkie, trafne i przyjazne odpowiedzi — dopasowane do języka i pytania klienta — prowadzą do lepszych doświadczeń i lojalności.
Wizualny Przebieg (Uproszczony)
Poniżej uproszczony schemat głównych kroków:
- Wejście z Czat / Zapytanie API →
- Pobierz Wiadomości Ticketu (Żądanie API) →
- Parsowanie Danych →
- Wyodrębnij Najnowszą Wiadomość Użytkownika (LLM) →
- Wzbogacenie Promptu Kontekstem i Historią →
- Wyszukanie Wiedzy (Wyszukiwarka Dokumentów/Google Docs) →
- Tool Calling Agent (LLM) Generuje Odpowiedź →
- Formatowanie/Tłumaczenie/Wysłanie Odpowiedzi (Żądanie API) →
- Wyświetlenie/Dostarczenie Wyniku
Ten workflow stanowi solidną podstawę dla każdej organizacji chcącej automatyzować i skalować obsługę klienta, wsparcie techniczne lub przepływy informacji wymagające integracji z API zewnętrznymi, bazami wiedzy oraz zaawansowanymi odpowiedziami AI.
