Agent obsługi klienta AI z integracją API LiveAgent

Ten workflow został zaprojektowany, by automatyzować, usprawniać i skalować proces obsługi klienta oraz rekomendacji produktów, wykorzystując integracje API, wyszukiwanie dokumentów, modele językowe i dynamiczne przetwarzanie danych. Poniżej znajduje się szczegółowy podział jego struktury, komponentów oraz automatyzacji, jaką zapewnia.

Przegląd i cel

Głównym celem tego przepływu jest pełnienie roli inteligentnego, zautomatyzowanego asystenta obsługi klienta i zakupów dla firmy, z wykorzystaniem zaawansowanej AI (OpenAI LLM), dynamicznej konstrukcji promptów, wywołań API oraz wyszukiwania dokumentów. Został on zaprojektowany, by odpowiadać na zapytania klientów, pobierać odpowiednią wiedzę, rekomendować produkty i eskalować do agentów ludzkich w razie potrzeby — wszystko to z przyjaznym, profesjonalnym tonem i uporządkowaną odpowiedzią.

Taki workflow pozwala na skalowalną i spójną interakcję z klientem, redukuje ręczną pracę oraz zapewnia wysoką jakość odpowiedzi wsparcia nawet przy wzroście zapotrzebowania.

Struktura workflow oraz kluczowe kroki

1. Wejście i historia czatu

• Chat Input gromadzi wiadomości użytkownika oraz załączniki jako punkt wyjścia.
• Chat History pobiera ostatnie N wiadomości i dostarcza kontekst rozmowy, umożliwiając personalizowane, kontekstowe odpowiedzi.

2. Budowa promptów

• Prompt Templates dynamicznie generują adresy URL API przy użyciu danych użytkownika oraz historii czatu. Przykłady:
  • Jeden szablon buduje URL do pobrania danych rozmowy z LiveAgent (zamień YOURLINK na swoją domenę).
  • Drugi szablon służy do przesyłania nowych wiadomości do LiveAgent.
• Notatki są dołączone jako przypomnienia o wstawieniu kluczy API lub aktualizacji linku LiveAgent w szablonach.

3. Żądania API

• Workflow używa dwóch węzłów API Request:
  • Jeden do pobierania informacji o rozmowie (żądania GET).
  • Drugi do wysyłania wiadomości lub interakcji z rozmową (żądania POST).
• Create Data dynamicznie buduje wymagane parametry zapytań lub dane do body dla tych wywołań API (np. klucze API lub treść wiadomości).

4. Parsowanie i przetwarzanie danych

• Parse Data konwertuje odpowiedzi API ze strukturalnych danych na zwykły tekst, opcjonalnie używając szablonów formatowania.
• Dzięki temu wyjście z API może zostać wykorzystane do dalszego przetwarzania przez AI lub prezentacji użytkownikowi.

5. Pozyskiwanie wiedzy

• Document Retriever to zintegrowane narzędzie przeszukujące bazę wiedzy lub repozytorium dokumentacji na podstawie zapytania użytkownika, zwracające najbardziej odpowiednie dokumenty, fragmenty lub linki.
• Dostarcza wiedzę jako źródło dla agenta AI — zapewniając, że odpowiedzi są oparte na wiedzy firmy.

6. Generowanie AI i post-processing

• LLM OpenAI (dwa węzły z różnymi konfiguracjami) zapewniają dostęp do dużych modeli językowych (np. GPT-4.1) do generowania odpowiedzi i wyodrębniania informacji strukturalnych.
• Generator używa LLM do wyodrębnienia określonych sekcji (np. “Preview”) z przetworzonych odpowiedzi API.

7. Orkiestracja i rozumowanie przez agenta

• Tool Calling Agent to centralny silnik decyzyjny:
  • Otrzymuje przetworzone wejście, historię czatu i dostęp do narzędzi (np. Document Retriever).
  • Stosuje rozbudowany prompt systemowy, by zapewnić zgodność odpowiedzi z polityką firmy, tonem oraz strukturą.
  • Dynamicznie decyduje, czy odpowiedzieć na podstawie bazy wiedzy, zadać pytania doprecyzowujące, czy eskalować do agenta ludzkiego.
  • Zapewnia, że odpowiedzi są zwięzłe (100–200 tokenów), dobrze sformatowane i w preferowanym przez klienta języku.

8. Wyświetlanie wyników

• Chat Output prezentuje użytkownikowi ostateczną wiadomość wygenerowaną przez AI lub przetworzoną.
• Workflow obsługuje wiele punktów wyjściowych dla różnych etapów (np. po generowaniu AI, po rozumowaniu agenta itd.).

Zależności komponentów (uproszczona tabela)

Dlaczego ten flow jest użyteczny dla automatyzacji i skalowania

• Spójność: Zapewnia każdemu klientowi precyzyjne, zgodne z polityką firmy i marką odpowiedzi, niezależnie od ilości zapytań.
• Skalowalność: Obsługuje nieograniczoną liczbę równoczesnych rozmów, wykorzystując AI i zautomatyzowane narzędzia zamiast wyłącznie agentów ludzkich.
• Efektywność: Ogranicza pracę ręczną agentów poprzez automatyzację wyszukiwania wiedzy, generowania odpowiedzi i nawet logiki eskalacji.
• Personalizacja: Integruje historię czatu i kontekst dla dopasowanych odpowiedzi.
• Elastyczność: Łatwe dostosowanie lub rozbudowa przez zmianę szablonów promptów, dodanie nowych integracji API czy aktualizację źródeł wiedzy.
• Wielojęzyczne wsparcie: Agent AI może odpowiadać w preferowanym przez klienta języku, podnosząc jakość obsługi.

Najważniejsze elementy logiki automatyzacji

• Dynamiczna obsługa wejść: Workflow dostosowuje wywołania API i zapytania do wiedzy na podstawie bieżących danych użytkownika i kontekstu rozmowy.
• Warunkowe rozumowanie: Agent wybiera najlepsze źródło (baza wiedzy, API lub eskalacja do człowieka) dla każdej odpowiedzi.
• Strukturalne wyjście: Wymusza krótkie, dobrze sformatowane i angażujące odpowiedzi, w tym listy punktowane, pogrubienia i emotikony.
• Bezpieczeństwo: Przypomina o bezpiecznym wstawianiu kluczy API i aktualizacji linków firmowych.
• Pętle zwrotne: Agent może zadawać pytania doprecyzowujące lub eskalować do wsparcia ludzkiego, gdy automatyzacja nie wystarcza.

Podsumowanie

Ten workflow to solidne, modułowe rozwiązanie automatyzujące obsługę klienta i rekomendacje produktowe z wykorzystaniem AI. Łączy wejście z czatu, dynamiczną integrację API, wyszukiwanie dokumentów oraz zaawansowane modele językowe pod kontrolą jednego agenta. Automatyzując powtarzalne zadania i wykorzystując AI do rozumowania, umożliwia skalowanie wsparcia klienta przy zachowaniu wysokiego standardu obsługi i personalizacji.