AI-kundtjänstagents med kunskapsbas och API-förstärkning

Detta AI-drivna arbetsflöde automatiserar kundsupport genom att kombinera intern kunskapsbas-sökning, hämtning av kunskap från Google Docs, API-integration och avancerad språkmodellering. Agenten svarar på slovakiska eller kundens språk, ger alltid uppdaterad information och kan eskalera till mänsklig support vid behov. Perfekt för företag som söker flerspråkig, automatiserad och kontextmedveten kundservice.

Så fungerar AI Flow - AI-kundtjänstagents med kunskapsbas och API-förstärkning

Flows

Så fungerar AI Flow

Ta emot kundförfrågan.
Flödet fångar upp kundförfrågningar från chattinmatning och hämtar nyligen konversationshistorik för kontext.
Samla kunskap från interna och externa källor.
Arbetsflödet söker både interna dokumentarkiv och anslutna Google Docs efter relevant kunskapsbasinformation med hjälp av dokumenthämtare.
Berika och analysera data via API.
Kundmeddelande-ID används för att anropa externa API:er, hämta meddelandehistorik och tolka nödvändig information för kontextförstärkning.
AI-agent svarar och genererar på flera språk.
En avancerad AI-agent använder den insamlade kontexten, kunskapskällor och språkmodeller för att generera svar på slovakiska eller kundens språk, vilket säkerställer professionella, koncisa och exakta svar.
Svara kunden och eskalera vid behov.
Agenten levererar svaret till kunden, inklusive relevanta länkar och information, och eskalerar till mänsklig support om frågan inte kan lösas automatiskt.

Prompts som används i detta flow

Prompt (PromptTemplate-xAz1P)

Skapa en promptmall med dynamiska variabler ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

---CONVERSATION HISTORY---
{context}
---

---LATEST MESSAGE---
{input}
---

Prompt (PromptTemplate-4mVjl)

Skapa en promptmall med dynamiska variabler ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

---CHAT HISTORY---
{chat_history}
---

---CUSTOMER QUERY---
{context}
---

---LLM RESPONSE---
{input}
---

The final output presented to the agent should include:

        the original CUSTOMER QUERY

        the Slovak translation of the CUSTOMER QUERY


       LLM RESPONSE in Slovak

       LLM RESPONSE in the customer's language (to be sent)

Prompt (PromptTemplate-u9XGO)

Skapa en promptmall med dynamiska variabler ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

https://arshiakahani.ladesk.com/api/v3/tickets/{input}/messages

Prompt (PromptTemplate-5nKVc)

Skapa en promptmall med dynamiska variabler ({input}, {human_input}, {context}, {chat_history}, {system_message}, {all_input_variables}).

https://YOURCOMPANY.ladesk.com/api/conversations/{human_input}/messages

Generator (Generator-eSD0Q)

Generera text med inmatningsprompt och vald LLM-modell.

extract the "message" section of the "type": "M" only the section exactly as it is and only and only output the latest message based on the date with nothing else but the users message itself.

Tool Calling Agent (ToolCallingAgent-K7dur)

En verktygsanropande agent.

You are an AI language model assistant acting as a friendly and professional customer support and shopping assistant for YOURCOMPANY. You respond in Slovak language by default, or in the customer's input language if detected to be different than Slovak. AND ALWAYS USE EMAIL TONE AND FORMAT.

<u>Your role:</u>

You combine the responsibilities of technical customer support and product recommendation assistant. You help customers solve issues, make decisions, and complete purchases related to YOURCOMPANY products and services. Your tone is always friendly and professional, and your goal is to ensure the customer feels understood, supported, and confident in their next step.

<u>Your Goal:</u>

you receive CONVERSATION HISTORY and the most recent user query as LATEST MESSAGE your goal is to answer the LATEST MESSAGE based on the tools at your disposal.&#x20;

<u>Identify intent and provide answers:</u>

First source: ALWAYS SEARCH THE knowledge_source_tool TO ANSWER USER'S QUESTION AND NEVER ANSWER FROM YOURSELF.

Second source: Always use the Document Retriever tool to find context related to the question.

If relevant context is found:

Use it to provide accurate, concise answers.

Include ONLY RELEVANT URLs retrieved from the Document Retriever, never edit the url.

Never invent product names and category names. You can recognize a category by the fact that the page MUST contain a list of different products.; use only those available in your knowledge base.

Follow the information exactly as stated in the reference.

If no relevant context is found and the question is about YOURCOMPANY:

Ask polite clarifying questions to gather more details.

If still unresolved, use the Contact Human Assist tool to transfer to a human support agent.

If the customer’s message is unclear or incomplete:

Do not guess — always ask for more information before answering.

If the customer shows interest in a specific product:

Let them know that pricing and ordering is quick and simple directly on the website.

They can configure the product (dimensions, extras, quantity…) and see the price immediately and the production time.

If the question is about production time, always include express options if available.

For inquiries not related to YOURCOMPANY:

Politely inform the customer that you only provide support for YOURCOMPANY.

Suggest contacting the appropriate business support team at CONTACT METHOD

<u>Resource Utilization:</u>

Use the Document Retriever to search for knowledge relevant to the customer question.

Use the Contact Human Assist tool to escalate if needed.

Use the Document Retriever to provide valid product or info links - NEVER invent or assume URLs

<u>Formatting:</u>

Your tone is always friendly, clear, and professional.

The answers should be SHORT - max. about 100-200 tokens.

Use structured formatting:

Short paragraphs

Bold text for emphasis

Bullet points where appropriate

Emojis to make the messages more engaging 😊

Write in plain text format. Do not use markdown.

Komponenter som används i detta flow

Nedan är en komplett lista över alla komponenter som används i detta flow för att uppnå dess funktionalitet. Komponenter är byggstenarna i varje AI Flow. De låter dig skapa komplexa interaktioner och automatisera uppgifter genom att koppla olika funktioner. Varje komponent tjänar ett specifikt syfte, som att hantera användarindata, bearbeta data eller integrera med externa tjänster.

Chatinmatning

Chatinmatningskomponenten i FlowHunt initierar användarinteraktioner genom att fånga upp meddelanden från Playground. Den fungerar som startpunkt för flöden och möjliggör att arbetsflödet kan bearbeta både text- och filbaserade indata.

Se Chatinmatning

Promptkomponent i FlowHunt

Lär dig hur FlowHunts Prompt-komponent låter dig definiera din AI-bots roll och beteende, vilket säkerställer relevanta och personliga svar. Anpassa prompts och mallar för effektiva, kontextmedvetna chatbotflöden.

Se Promptkomponent i FlowHunt

Skapa Data

Komponenten Skapa Data gör det möjligt att dynamiskt generera strukturerade dataposter med ett anpassningsbart antal fält. Perfekt för arbetsflöden som kräver skapande av nya dataobjekt i realtid, och den stödjer flexibel fältkonfiguration samt sömlös integration med andra automationssteg.

Se Skapa Data

API-begäran

Integrera extern data och tjänster i ditt arbetsflöde med komponenten API-begäran. Skicka enkelt HTTP-förfrågningar, ange anpassade headers, body och query-parametrar, samt hantera flera metoder som GET och POST. Avgörande för att koppla dina automationer till valfritt webb-API eller tjänst.

Se API-begäran

Parsa Data

Komponenten Parsa Data omvandlar strukturerad data till vanlig text med hjälp av anpassningsbara mallar. Den möjliggör flexibel formatering och konvertering av datainmatningar för vidare användning i ditt arbetsflöde, vilket hjälper till att standardisera eller förbereda information för nedströmskomponenter.

Se Parsa Data

Generator

Utforska Generator-komponenten i FlowHunt—kraftfull AI-driven textgenerering med din valda LLM-modell. Skapa enkelt dynamiska chatbot-svar genom att kombinera promptar, valfria systeminstruktioner och till och med bilder som indata, vilket gör den till ett kärnverktyg för att bygga intelligenta, konverserande arbetsflöden.

Se Generator

LLM OpenAI

FlowHunt stöder dussintals textgenereringsmodeller, inklusive modeller från OpenAI. Så här använder du ChatGPT i dina AI-verktyg och chatbottar.

Se LLM OpenAI

Chatthistorik-komponent

Chatthistorik-komponenten i FlowHunt gör det möjligt för chatbots att minnas tidigare meddelanden, vilket säkerställer sammanhängande konversationer och förbättrad kundupplevelse samtidigt som minnes- och tokenanvändning optimeras.

Se Chatthistorik-komponent

Verktygsanropande Agent

Utforska Verktygsanropande Agent i FlowHunt—en avancerad arbetsflödeskomponent som gör det möjligt för AI-agenter att intelligent välja och använda externa verktyg för att besvara komplexa frågor. Perfekt för att bygga smarta AI-lösningar som kräver dynamisk verktygsanvändning, iterativt resonemang och integration med flera resurser.

Se Verktygsanropande Agent

Dokumenthämtare

FlowHunts Dokumenthämtare förbättrar AI-noggrannheten genom att koppla generativa modeller till dina egna uppdaterade dokument och webbadresser, vilket säkerställer tillförlitliga och relevanta svar med Retrieval-Augmented Generation (RAG).

Se Dokumenthämtare

Google Docs Retriever

Integrera dina arbetsflöden med Google Docs med hjälp av Google Docs Retriever-komponenten—hämta enkelt dokumentinnehåll för användning i automationer, chattbottar eller kunskapsarbetsflöden. Perfekt för att få tillgång till, bearbeta och utnyttja dina Google Docs i FlowHunt-flöden.

Se Google Docs Retriever

Chattutgång

Upptäck Chattutgång-komponenten i FlowHunt—slutför chatbottsvar med flexibla, flerdelade utdata. Oumbärlig för smidig avslutning av flöden och skapande av avancerade, interaktiva AI-chattbottar.

Se Chattutgång

Flow-beskrivning

Syfte och fördelar

Översikt

Detta arbetsflöde automatiserar processen att hämta kundmeddelanden från ett ärende- eller supportsystem, extrahera det senaste relevanta meddelandet, förstärka det med kontext och chatt-historik och sedan utnyttja avancerad AI (LLMs) i kombination med kunskapsverktyg för att generera professionella, flerspråkiga kundsupportssvar. Processen förbereder och skickar sedan dessa svar tillbaka till externa system, vilket gör det idealiskt för att skala och automatisera kundsupport, kunskapshämtning och extern API-integration.

Steg-för-steg-genomgång

1. Inmatning och förberedelse

  • Chattinmatning: Arbetsflödet kan ta emot inkommande chattmeddelanden direkt.
  • Skapa prompt för API: Systemet använder en promptmall för att dynamiskt konstruera URL:en för att hämta ärendemeddelanden från ett externt API (t.ex. https://arshiakahani.ladesk.com/api/v3/tickets/{input}/messages). Detta möjliggör flexibel hämtning baserat på inkommande användardata.
  • Bygga frågeparametrar: En dataskapande nod används för att dynamiskt bygga nödvändiga frågeparametrar för API-förfrågan.

2. Extern datahämtning

  • API-förfrågan: Med den konstruerade URL:en och frågeparametrarna skickar arbetsflödet en GET-förfrågan för att hämta ärendets meddelandehistorik från ett externt ärendehanteringssystem. API-nyckelautentisering stöds via headers.
  • Tolka hämtad data: När API:et returnerar data strukturerar och omvandlar en parsernod denna data till vanlig text med hjälp av mallar, vilket gör den lämplig för AI-bearbetning nedströms.

3. Utdrag och förbearbetning av meddelanden

  • LLM-baserad extraktion: En OpenAI LLM (t.ex. GPT-4.1) används med en systemprompt för att extrahera endast det senaste användarmeddelandet från ärendets data (specifikt meddelanden av typen “M”)—så att endast relevant innehåll bearbetas vidare.
  • Förstärkning av prompt: Det extraherade meddelandet och chattkontexten infogas i en sofistikerad promptmall som inkluderar konversationshistorik och segmentering av senaste meddelande, vilket förbereder indata till huvudagenten för support.

4. Kunskapsförstärkning

  • Chatt-historik: Systemet kan slå upp de senaste N meddelandena i konversationen för att ge kontinuitet och rikare kontext.
  • Dokumenthämtning: Ett dokumenthämtarverktyg söker interna/externa kunskapsbaser (valfritt inklusive Google Docs) för relevant information för att besvara kundens fråga. Detta är avgörande för att förankra svaren i uppdaterad och korrekt kunskap.
  • Verktygsintegration: Både dokumenthämtaren och Google Docs-hämtaren är registrerade som “verktyg” tillgängliga för agenten, vilket möjliggör dynamisk uppslagning under svargenerering.

5. Agentstyrd svargenerering

  • Verktygsanropande agent: I centrum finns en verktygsanropande agent (driven av en LLM) som får den berikade prompten, chatt-historiken och tillgång till kunskapsverktyg. Dess roll är att avgöra användarens avsikt, söka i kunskapsbas/verktyg efter svar och komponera ett koncist, vänligt och professionellt svar.
    • Agenten svarar alltid på slovakiska som standard eller växlar till kundens språk om det upptäcks.
    • Strukturerad formatering upprätthålls: korta stycken, fetstil för betoning, punktlistor och emojis för engagemang.
    • Agenten prioriterar att använda hämtad kunskap, hittar aldrig på fakta eller URL:er, ber om förtydligande vid behov och eskalerar olösta ärenden till mänskliga agenter.
    • Alla svar följer tonläget och strukturen för kundsupport, lämpliga för e-postkommunikation.

6. Efterbearbetning och utdata

  • Svarformatering: Agentens svar bearbetas vidare via promptmallar för att konstruera flerspråkig utdata (t.ex. både slovakiska och kundens ursprungliga språk).
  • LLM-generering: En annan LLM-nod kan generera eller översätta delar av utdata vid behov.
  • API-integration för utgående meddelanden: Arbetsflödet bygger dynamiskt dataobjekt för utgående API-förfrågningar, paketerar det genererade svaret och skickar det (vanligtvis via POST) till relevant externt system.
  • Tolkning och slutgiltig utdata: Utgående API-svar kan tolkas och visas i chattlekplatsen eller skickas tillbaka till användargränssnittet.

Nyckelkomponenter & deras syfte

KomponentSyfte
ChattinmatningTar emot användar-/kundmeddelanden
PromptmallBygger dynamiskt URL:er och meddelandeprompter
API-förfråganHämtar ärendedata/meddelanden från externt system
Tolka dataOmvandlar strukturerad data till vanlig text
OpenAI LLMExtraherar relevanta meddelanden, genererar eller översätter svar
DokumenthämtareSöker kunskapsbasen för relevant information
Google Docs-hämtareIntegrerar externa dokument som kunskap för agenten
Verktygsanropande agentCentral AI-supportagent—använder verktyg och chatt-historik
Skapa dataPaketerar svar och data för utgående API-förfrågningar
ChattutdataVisar slutresultatet för slutanvändare eller system
AnteckningarGer operatörsguider (t.ex. var API-nycklar/URL:er matas in)

Användningsområden & Fördelar

  • Automatiserad kundsupport: Effektiviserar processen att extrahera, förstärka och besvara kundförfrågningar med professionella, exakta och kontextmedvetna svar.
  • Flerspråkig support: Upptäcker och svarar automatiskt på kundens språk, med översättning och formatering hanterad av arbetsflödet.
  • Skalbar kunskapshantering: Integrerar flera kunskapskällor (interna dokument, Google Docs, etc.) för omfattande och aktuella svar.
  • Sömlös integration med externa system: Kopplas enkelt till olika API:er för både inkommande (hämta meddelanden) och utgående (skicka svar) åtgärder.
  • Mänsklig eskalering vid behov: Lämnar automatiskt över olösta eller oklara fall till mänskliga agenter för att säkerställa högkvalitativ support.

Varför detta arbetsflöde är användbart för skalning & automation

  • Minskar manuellt arbete: Genom att automatisera datahämtning, meddelandeutdrag, kontextbyggande och svargenerering minimeras behovet av mänsklig inblandning för rutinmässiga supportfrågor.
  • Kvalitet & konsekvens: Säkerställer att all kundkommunikation följer företagets ton, format och informationsnoggrannhet, oavsett agent eller skift.
  • Snabb anpassning: Kopplas enkelt till nya datakällor eller API:er, anpassas till nya språk och kan skala för att hantera högre supportvolymer med liten extra konfiguration.
  • Förbättrad kundnöjdhet: Snabba, relevanta och vänliga svar—anpassade till varje kunds språk och fråga—leder till bättre upplevelser och lojalitet.

Visuellt flöde (förenklad)

Nedan visas en förenklad flödesschema-representation av huvudstegen:

  1. Chattinmatning / API-förfrågan →
  2. Hämta ärendemeddelanden (API-förfrågan) →
  3. Tolka data →
  4. Extrahera senaste användarmeddelande (LLM) →
  5. Förstärk prompt med kontext & historik →
  6. Hämta kunskap (Dokument/Google Docs-hämtare) →
  7. Verktygsanropande agent (LLM) genererar svar →
  8. Formatera/översätt/skicka svar (API-förfrågan) →
  9. Visa/leverera utdata

Detta arbetsflöde utgör en robust grund för alla organisationer som vill automatisera och skala kundsupport, teknisk assistans eller informationsleveransflöden som kräver integration med externa API:er, kunskapsbaser och avancerade AI-svar.

Låt oss bygga ditt eget AI-team

Vi hjälper företag som ditt att utveckla smarta chatbotar, MCP-servrar, AI-verktyg eller andra typer av AI-automatisering för att ersätta människor i repetitiva uppgifter i din organisation.

Boka en demo Prova nu

Lär dig mer

AI-supportchatbot med LiveAgent-integration
AI-supportchatbot med LiveAgent-integration

AI-supportchatbot med LiveAgent-integration

Automatisera din kundsupport med en AI-chatbot som besvarar frågor med hjälp av din interna kunskapsbas och sömlöst kopplar användare till en mänsklig agent via...

3 min läsning
AI-kundtjänstagent för LiveAgent
AI-kundtjänstagent för LiveAgent

AI-kundtjänstagent för LiveAgent

Detta arbetsflöde automatiserar kundsupporten för ditt företag genom att integrera LiveAgent-konversationer, extrahera relevanta konversationsdata, generera sva...

4 min läsning
AI-chattbot med LiveChat.com-integration
AI-chattbot med LiveChat.com-integration

AI-chattbot med LiveChat.com-integration

Distribuera en AI-driven chattbot på din webbplats som använder din interna kunskapsbas för att besvara kundförfrågningar, och smidigt vidarebefordrar komplexa ...

3 min läsning