Opis workflow

Ten workflow został zaprojektowany do automatyzacji i skalowania zaawansowanych zadań związanych z obsługą klienta oraz pozyskiwaniem wiedzy, wykorzystując LLM (Large Language Models), dynamiczne generowanie danych, zewnętrzne zapytania API (np. LiveAgent) oraz automatyczne pobieranie dokumentów. Jest szczególnie przydatny dla organizacji chcących usprawnić procesy wsparcia, odpowiadać na zapytania klientów w sposób kontekstowy oraz integrować wyszukiwanie w bazie wiedzy z interakcjami w systemach zewnętrznych.

Przegląd ogólny

Workflow koordynuje następujące główne kroki:

• Odbiera dane wejściowe użytkownika (przez chat)
• Buduje dynamiczne zapytania API na podstawie danych użytkownika i kontekstu
• Pobiera i analizuje dane ze źródeł zewnętrznych (np. LiveAgent)
• Wykorzystuje LLM do wydobywania i podsumowania istotnych informacji z odpowiedzi
• Wzbogaca odpowiedzi poprzez pobieranie dokumentów z bazy wiedzy
• Wykorzystuje agenta opartego o LLM do generowania odpowiedzi gotowych dla klienta, zawsze opierając się na pozyskanym kontekście
• Przedstawia odpowiedź użytkownikowi

Główne komponenty i przebieg

Szczegółowe kroki

1. Wejście użytkownika i zbieranie kontekstu

• Proces zaczyna się od węzła Wejście z chatu, gdzie odbierana jest wiadomość użytkownika.
• Węzeł Historia chatu pobiera ostatnie N wiadomości, umożliwiając odpowiedzi kontekstowe.
• Szablon prompta wykorzystuje dane wejściowe użytkownika i historię do dynamicznego generowania adresu URL do zewnętrznego API (np. pobranie transkryptu rozmowy z LiveAgent).

2. Budowanie zapytania API

• Węzły Create Data umożliwiają dynamiczne tworzenie parametrów zapytania lub ciała (w tym bezpieczne przechowywanie kluczy API lub innych niezbędnych pól).
• Wygenerowany adres URL i parametry trafiają do węzła Zapytanie API, który komunikuje się z systemami zewnętrznymi (np. LiveAgent), by pobrać wymagane dane.

3. Parsowanie i wstępne przetwarzanie danych

• Odpowiedzi API są przetwarzane w węzłach Analiza danych, zamieniając surowe dane w tekst strukturalny lub wyodrębniając tylko istotne pola.
• Przetworzone dane przekazywane są do węzła Generator LLM, który za pomocą systemowego prompta wyodrębnia konkretne informacje (np. sekcję “Preview”).

4. Wzbogacanie wiedzą

• W międzyczasie węzeł Wyszukiwarka dokumentów pozwala systemowi przeszukiwać wewnętrzne bazy wiedzy i wyszukiwać dokumenty istotne dla zapytania użytkownika, dodatkowo wzbogacając agenta o autorytatywny kontekst. To narzędzie jest udostępniane agentowi LLM.

5. Generowanie odpowiedzi przez agenta LLM

• Węzeł Agent wywołujący narzędzia to zaawansowany agent oparty na LLM, który:
  • Otrzymuje dane wejściowe użytkownika, odpowiedzi API, historię rozmowy oraz dostęp do narzędzi (Wyszukiwarka dokumentów, Contact Human Assist itp.)
  • Sterowany jest szczegółowym systemowym promptem określającym:
    • Zawsze korzystaj z autorytatywnych źródeł (np. Document Retriever, knowledge_source_tool)
    • Nigdy nie wymyślaj odpowiedzi ani adresów URL
    • Zadawaj pytania doprecyzowujące, jeśli to konieczne
    • Formatuj odpowiedzi przyjaźnie, profesjonalnie i zwięźle
    • Używaj punktów, pogrubień i emotikonów dla zaangażowania
    • Zawsze odpowiadaj po słowacku (lub w wykrytym języku użytkownika), w tonie e-mailowym
    • Eskaluj do wsparcia ludzkiego, jeśli nie można rozwiązać sprawy
• Dzięki temu każda odpowiedź dla klienta jest dokładna, oparta na kontekście, zgodna z polityką i wysoce skalowalna.

6. Odpowiedź dla użytkownika

• Ostateczna odpowiedź wygenerowana przez agenta LLM jest analizowana i formatowana, a następnie przekazywana użytkownikowi przez Wyjście chatu.

Uwagi i dobre praktyki

• Klucz API i link LiveAgent: Workflow zawiera węzły notatek przypominające o konieczności wstawienia własnego API key i podmiany YOURLINK w szablonach promptów na właściwy adres instancji LiveAgent.
• Bezpieczeństwo i zgodność: Klucze API i dane wrażliwe są obsługiwane przez dynamiczne węzły danych, minimalizując ryzyko przypadkowego ujawnienia.
• Rozszerzalność: Modułowa budowa pozwala łatwo dodawać kolejne narzędzia, transformacje danych lub kanały wyjściowe.

Dlaczego ten workflow jest przydatny dla skalowania i automatyzacji?

• Automatyzacja end-to-end: Integruje wiele źródeł danych (live chat, API, baza wiedzy) i automatyzuje proces decyzyjny oraz odpowiedzi.
• Wnioskowanie wspierane przez LLM: Wykorzystuje nowoczesne LLM do zrozumienia kontekstu, wydobycia informacji i komunikacji przypominającej ludzką.
• Spójna, wysokiej jakości obsługa: Prompt agenta wymusza stosowanie polityki firmy, tonu, ścieżek eskalacji i zapobiega halucynacjom.
• Szybka integracja z systemami zewnętrznymi: Łatwo dostosować do różnych API lub baz wiedzy przez aktualizację szablonów promptów i połączeń.
• Eskalacja do człowieka: Bezproblemowe przekazanie trudnych spraw do żywego konsultanta.
• Skalowalność: Obsługuje duże wolumeny zapytań równolegle, z zachowaniem dokładności i zgodności.

Podsumowanie kluczowych węzłów

Ten workflow jest idealny do automatyzacji obsługi klienta, integracji z zewnętrznymi systemami ticketowymi lub chatowymi oraz zapewnia, że odpowiedzi generowane przez LLM są zawsze oparte o autorytatywną wiedzę firmową. Może być fundamentem skalowalnego, inteligentnego asystenta wsparcia gotowego do wdrożeń w przedsiębiorstwach.