Arbetsflödesbeskrivning

Detta arbetsflöde är utformat för att automatisera och skala avancerad kundsupport samt uppgifter för kunskapsinhämtning, med hjälp av LLM:er (Large Language Models), dynamisk dataskapande, externa API-anrop (såsom LiveAgent) och automatiserad dokumentsökning. Det är särskilt användbart för organisationer som vill effektivisera supportprocesser, besvara kundförfrågningar med kontextmedvetna svar och integrera kunskapsbasuppslag med externa systeminteraktioner.

Översikt på hög nivå

Arbetsflödet organiserar dessa huvudsteg:

• Tar emot användarinput (via chatt)
• Bygger dynamiska API-anrop baserat på användarinput och sammanhang
• Hämtar och tolkar data från externa källor (t.ex. LiveAgent)
• Använder LLM:er för att extrahera och sammanfatta relevant information från svar
• Berikar svaren med hjälp av dokumentsökning i kunskapsbasen
• Utnyttjar en LLM-driven agent för att generera kundanpassade svar, alltid baserade på inhämtad kontext
• Presenterar svaret tillbaka till användaren

Huvudkomponenter och flöde

Detaljerade steg

1. Användarinmatning och kontextinsamling

• Processen börjar med en Chattinmatning-nod där användarens meddelande tas emot.
• Chatthistorik-noden hämtar de senaste N meddelandena, vilket möjliggör kontextmedvetna svar.
• En Promptmall använder användarinput och historik för att dynamiskt skapa en URL för det externa API:et (till exempel för att hämta en konversationstranskription från LiveAgent).

2. Konstruktion av API-anrop

• Dataskapande-noder möjliggör dynamisk konstruktion av frågeparametrar eller request-bodies (inklusive säker lagring av API-nycklar eller andra nödvändiga fält).
• Den genererade URL:en och parametrarna skickas till en API-anrop-nod, som interagerar med externa system (såsom LiveAgent) för att hämta nödvändig data.

3. Datatolkning och förbearbetning

• API-svar bearbetas med hjälp av Datatolkning-noder, som omvandlar rådata till strukturerad text eller extraherar endast relevanta fält.
• Den tolkade datan skickas till LLM-generator-noden, som har till uppgift att extrahera specifik information (t.ex. “Preview”-sektionen) med hjälp av ett tydligt systemmeddelande.

4. Kunskapsberikning

• Samtidigt gör Dokumentsökare-noden det möjligt för systemet att söka i interna kunskapsbaser efter dokument som är mycket relevanta för användarens fråga, vilket ytterligare berikar agenten med auktoritativ kontext. Detta verktyg är tillgängligt för LLM-agenten.

5. LLM-agentens svarsproduktion

• Verktygsanropande agent-noden är en kraftfull LLM-baserad agent som:
  • Tar emot användarinput, API-svar, chatthistorik och tillgång till verktyg (Dokumentsökare, Kontakt till mänsklig assistans, etc.)
  • Styrs av en detaljerad systemprompt som anger:
    • Alltid använd auktoritativa källor (t.ex. Dokumentsökare, knowledge_source_tool)
    • Hitta aldrig på svar eller URL:er
    • Ställ förtydligande frågor vid behov
    • Formatera svaren vänligt, professionellt och koncist
    • Använd punktlistor, fetstil och emojis för engagerande svar
    • Svara alltid på slovakiska (eller upptäckt användarspråk), med e-postton
    • Skala upp till mänsklig support om frågan inte kan lösas
• Detta säkerställer att varje kundsvar är korrekt, kontextbaserat, följer policy och är mycket skalbart.

6. Utmatning till användaren

• Det slutliga genererade svaret (från LLM-agenten) tolkas och formateras, och levereras sedan till användaren via Chattutmatning-noder.

Noteringar och bästa praxis

• API-nyckel och LiveAgent-länk: Arbetsflödet innehåller notisnoder som påminner användaren om att infoga sin API-nyckel och ersätta YOURLINK i promptmallarna med sin riktiga LiveAgent-instans-URL.
• Säkerhet och efterlevnad: API-nycklar och känslig data hanteras med hjälp av dynamiska datanoder, vilket minimerar risken för oavsiktligt avslöjande.
• Utbyggbarhet: Den modulära designen gör det enkelt att lägga till ytterligare verktyg, datatransformationer eller utmatningskanaler.

Varför är detta arbetsflöde användbart för skalning och automation?

• Helautomatisering: Integrerar flera datakällor (livechatt, API:er, kunskapsbas) och automatiserar beslutsfattande och svarsprocessen.
• LLM-drivet resonemang: Utnyttjar toppmoderna LLM:er för kontextuell förståelse, informationsutvinning och mänsklig kommunikation.
• Konsekvent, högkvalitativ support: Agentens systemprompt upprätthåller företagspolicyer, ton, eskaleringsvägar och säkerställer att ingen hallucinerad data ges.
• Snabb integration med externa system: Anpassa enkelt till olika API:er eller kunskapsbaser genom att uppdatera promptmallar och anslutningsnoder.
• Människa-i-loopen-eskalering: Överlämnar smidigt komplexa ärenden till mänskliga agenter, vilket säkerställer täckning för undantagsfall.
• Skalbarhet: Klarar stora mängder förfrågningar parallellt, med konsekvent noggrannhet och efterlevnad.

Sammanfattande tabell över nyckelnoder

Detta arbetsflöde är idealiskt för att automatisera kundsupport, integrera med externa ärende- eller chattsystem och säkerställa att LLM-drivna svar alltid är förankrade i auktoritativ företagskunskap. Det kan utgöra ryggraden i en skalbar, intelligent supportassistent redo för företagsanvändning.