اتوماسیون خدمات مشتری با هوش مصنوعی: GPT، LangChain و تلگرام

اتوماسیون خدمات مشتری با قدرت هوش مصنوعی با استفاده از GPT، LangChain و مسیریابی هوشمند

این گردش کار، تعاملات خدمات مشتری را با استفاده از مدل‌های پیشرفته هوش مصنوعی و منطق مسیریابی هوشمند خودکار می‌کند. این سیستم از تلگرام برای ورودی استفاده می‌کند، پیام‌های صوتی و متنی را پردازش می‌کند، از مدل‌های OpenAI GPT از طریق LangChain برای طبقه‌بندی قصد، احساسات و حریم خصوصی بهره می‌برد، حافظه مکالمه را در Postgres مدیریت می‌کند و در صورت لزوم تعاملات را برای مداخله انسانی هدایت می‌کند. این گردش کار همچنین منابع داده خارجی مانند Google Sheets و Google Docs را به عنوان پایگاه‌های دانش و پایگاه‌های داده سفارش ادغام می‌کند و پاسخ‌های هوش مصنوعی را با اطلاعات متنی غنی می‌سازد.

این گردش کار و موارد بیشتر را در کاتالوگ n8n شرکت Axeto.ai کاوش کنید.

۱. نمای کلی گردش کار

گردش کار به طور منطقی به مراحل کلیدی زیر تقسیم می‌شود:

• ۱.۱ دریافت و پیش‌پردازش ورودی: پیام‌های تلگرام (صوتی یا متنی) را دریافت می‌کند، در صورت لزوم فایل‌های صوتی را دانلود کرده و صدا را به متن تبدیل می‌کند.
• ۱.۲ طبقه‌بندی و تجزیه پیام: از هوش مصنوعی برای طبقه‌بندی قصد پیام، احساسات و نگرانی‌های مربوط به حریم خصوصی استفاده می‌کند.
• ۱.۳ تولید زمینه مکالمه و مدیریت حافظه: زمینه مکالمه را با داده‌های تاریخی ذخیره شده در Postgres و Supabase ایجاد می‌کند.
• ۱.۴ پردازش عامل هوش مصنوعی: یک عامل خدمات مشتری مبتنی بر LangChain را اجرا می‌کند که مکالمه را مدیریت کرده و به پایگاه‌های دانش و داده‌های سفارش ارجاع می‌دهد.
• ۱.۵ پاسخ و مسیریابی: پاسخ‌ها را از طریق تلگرام ارسال کرده و موارد حیاتی یا درخواستی توسط انسان را به مسیرهای تشدید ایمیل مناسب هدایت می‌کند.
• ۱.۶ منطق تجمیع و ادغام: مسیرهای پردازش موازی را مدیریت و ادغام می‌کند.

۲. تحلیل بلوک به بلوک

۲.۱ دریافت و پیش‌پردازش ورودی

هدف: این بلوک پیام‌های ورودی تلگرام را دریافت می‌کند، تشخیص می‌دهد که آیا پیام صوتی است یا متنی، فایل‌های صوتی را دانلود کرده و صدا را به متن تبدیل می‌کند تا برای پردازش بعدی هوش مصنوعی آماده شود.

نودها:

• Telegram Trigger1 (Telegram Trigger)
• Voice or Text (Switch)
• Download File1 (Telegram)
• Transcribe1 (LangChain OpenAI)
• Text (Set)
• Merge (Merge)

جزئیات نودها:

• Telegram Trigger1:

* نقش: نقطه ورود برای پیام‌های ورودی تلگرام.

* پیکربندی: وب‌هوک پیش‌فرض برای به‌روزرسانی‌های تلگرام.

* ورودی: داده‌های پیام تلگرام (صوتی یا متنی).

* خروجی: داده‌های پیام را به نود Voice or Text ارسال می‌کند.

* موارد مرزی: خرابی وب‌هوک تلگرام، انواع پیام‌های پشتیبانی نشده.

• Voice or Text:

* نقش: تشخیص می‌دهد که آیا پیام ورودی صوتی است یا متنی.

* پیکربندی: اجرای گردش کار را بر اساس ویژگی نوع پیام منشعب می‌کند.

* ورودی: خروجی از Telegram Trigger1.

* خروجی: به Download File1 (برای پیام صوتی) یا Text (برای پیام متنی) منشعب می‌شود.

* موارد مرزی: تشخیص نادرست نوع پیام، داده‌های گمشده.

• Download File1:

* نقش: فایل پیام صوتی را از تلگرام دانلود می‌کند.

* پیکربندی: از اعتبارنامه‌های تلگرام و وب‌هوک استفاده می‌کند.

* ورودی: شاخه صوتی از Voice or Text.

* خروجی: داده‌های فایل را به Transcribe1 ارسال می‌کند.

* موارد مرزی: خرابی دانلود، خرابی فایل.

• Transcribe1:

* نقش: فایل‌های صوتی را با استفاده از قابلیت‌های تبدیل گفتار به متن OpenAI به متن تبدیل می‌کند.

* پیکربندی: از تبدیل گفتار به متن یا تبدیل صوتی OpenAI استفاده می‌کند.

* ورودی: داده‌های فایل از Download File1.

* خروجی: متن تبدیل شده را به نود Merge ارسال می‌کند.

* موارد مرزی: خطاهای تبدیل، محدودیت‌های نرخ API.

• Text:

* نقش: پیام‌های متنی ساده را برای ادغام با صدای تبدیل شده آماده می‌کند.

* ورودی: شاخه متنی از Voice or Text.

* خروجی: داده‌های متنی را به نود Merge ارسال می‌کند.

* موارد مرزی: پیام‌های متنی خالی یا بدشکل.

• Merge:

* نقش: متن تبدیل شده و ورودی‌های متنی مستقیم را در یک جریان داده واحد برای طبقه‌بندی ترکیب می‌کند.

* ورودی: خروجی از Transcribe1 و Text.

* خروجی: داده‌های متنی یکپارچه را به نودهای طبقه‌بندی ارسال می‌کند.

* موارد مرزی: تداخل‌های ادغام، ناسازگاری‌های فرمت داده.

۲.۲ طبقه‌بندی و تجزیه پیام

هدف: این بلوک پیام‌های ورودی را بر اساس قصد، احساسات و نگرانی‌های حریم خصوصی طبقه‌بندی می‌کند تا نیازهای کاربر و خطرات احتمالی را درک کند.

نودها:

• intent classifier (LangChain LLM Chain)
• sentiment classifier (LangChain LLM Chain)
• privacy classifier (LangChain LLM Chain)
• Structured Output Parser (3 instances, LangChain Output Parser Structured)
• OpenAI Chat Model10, OpenAI Chat Model11, OpenAI Chat Model8 (LangChain OpenAI Chat Model)
• Merge3, Merge4 (Merge)

جزئیات نودها:

• intent classifier:

* نقش: قصد کاربر را از محتوای پیام طبقه‌بندی می‌کند.

* پیکربندی: از OpenAI Chat Model10 با تجزیه خروجی ساختاریافته استفاده می‌کند.

* ورودی: متن ادغام شده از نود Merge.

* خروجی: داده‌های طبقه‌بندی قصد را به Merge3 و Merge4 ارسال می‌کند.

* موارد مرزی: طبقه‌بندی نادرست، مقاصد مبهم.

• sentiment classifier:

* نقش: احساسات پیام (مانند مثبت، منفی، خنثی) را تعیین می‌کند.

* پیکربندی: از OpenAI Chat Model11 با تجزیه خروجی ساختاریافته استفاده می‌کند.

* ورودی: متن ادغام شده از نود Merge.

* خروجی: داده‌های احساسات را به Merge3 و Merge4 ارسال می‌کند.

* موارد مرزی: احساسات مختلط، سوگیری خنثی.

• privacy classifier:

* نقش: محتوای حساس به حریم خصوصی را در پیام تشخیص می‌دهد.

* پیکربندی: از OpenAI Chat Model8 با تجزیه خروجی ساختاریافته استفاده می‌کند.

* ورودی: متن ادغام شده از نود Merge.

* خروجی: پرچم‌های حریم خصوصی را به Merge3 ارسال می‌کند.

* موارد مرزی: مثبت کاذب/منفی کاذب در محتوای حریم خصوصی.

• Structured Output Parser (3 نود):

* نقش: خروجی‌های مدل هوش مصنوعی را به یک فرمت JSON سازگار تجزیه می‌کند.

* پیکربندی: هر تجزیه‌کننده به یک طبقه‌بندی‌کننده خاص (intent, sentiment, privacy) متصل است.

* ورودی: خروجی‌های خام از نودهای مربوطه OpenAI Chat Model.

* خروجی: داده‌های تجزیه شده را به نودهای طبقه‌بندی مربوطه ارسال می‌کند.

* موارد مرزی: خرابی تجزیه در صورت تغییر فرمت پاسخ هوش مصنوعی.

• OpenAI Chat Model (10, 11, 8):

* نقش: قدرت پردازش هوش مصنوعی را برای وظایف طبقه‌بندی فراهم می‌کند.

* پیکربندی: کلیدهای API OpenAI، تنظیمات دما (معمولاً برای طبقه‌بندی پایین).

* ورودی: متن از نود Merge.

* خروجی: پاسخ‌های خام طبقه‌بندی را به نودهای Structured Output Parser ارسال می‌کند.

* موارد مرزی: محدودیت‌های نرخ API، خطاهای شبکه.

• Merge3, Merge4:

* نقش: خروجی‌های نودهای طبقه‌بندی مختلف را برای یکپارچه‌سازی نتایج تجزیه و تحلیل ترکیب می‌کنند.

* ورودی/خروجی: خروجی‌های طبقه‌بندی‌کننده و داده‌های طبقه‌بندی ترکیبی به مراحل بعدی.

* موارد مرزی: مشکلات همگام‌سازی داده‌ها.

۲.۳ تولید زمینه مکالمه و مدیریت حافظه

هدف: این بلوک با تجمیع تاریخچه چت و بازخورد از پایگاه‌های داده خارجی، زمینه مکالمه را تولید می‌کند و حافظه چت را برای تداوم حفظ می‌کند.

نودها:

• Generate conv context (LangChain Agent)
• Postgres Chat Memory (LangChain Memory - Postgres)
• Supabase1 (Supabase Tool)
• Aliment context for next messages (Supabase)
• Historial Chat and feedback (Google Sheets)
• Merge3, Merge4, Aggregate, Aggregate3 (Merge, Aggregate)

جزئیات نودها:

• Generate conv context:

* نقش: با استفاده از تعاملات گذشته و ورودی فعلی، زمینه مکالمه را می‌سازد.

* پیکربندی: از OpenAI Chat Model2 و Supabase به عنوان بک‌اند حافظه استفاده می‌کند.

* ورودی: داده‌های طبقه‌بندی ادغام شده و حافظه مکالمه.

* خروجی: داده‌های متنی را برای پردازش بیشتر به Merge4 ارسال می‌کند.

* موارد مرزی: داده‌های گذشته گمشده، زمینه ناقص.

• Postgres Chat Memory:

* نقش: تاریخچه مکالمه را برای حفظ تداوم ذخیره و بازیابی می‌کند.

* پیکربندی: اعتبارنامه‌های Postgres و جزئیات پایگاه داده.

* ورودی: تعاملات عامل خدمات مشتری.

* خروجی: داده‌های مکالمه تاریخی را به Generate conv context ارسال می‌کند.

* موارد مرزی: خرابی اتصال پایگاه داده، خرابی داده.

• Supabase1:

* نقش: به عنوان یک منبع حافظه خارجی اضافی برای پشتیبانی از تولید زمینه عمل می‌کند.

* پیکربندی: اعتبارنامه‌های Supabase.

* ورودی: داده‌های مکالمه.

* خروجی: داده‌های متنی را به Generate conv context ارسال می‌کند.

* موارد مرزی: مشکلات شبکه، توکن‌های منقضی شده.

• Aliment context for next messages:

* نقش: فضای ذخیره‌سازی زمینه را برای پیام‌های بعدی به‌روز می‌کند.

* پیکربندی: اعتبارنامه‌های Supabase و تنظیمات جدول مربوطه.

* ورودی: خروجی عامل خدمات مشتری.

* خروجی: تأیید به‌روزرسانی زمینه.

* موارد مرزی: خرابی‌های نوشتن.

• Historial Chat and feedback:

* نقش: مکالمات و بازخوردها را برای اهداف حسابرسی و آموزش ثبت می‌کند.

* پیکربندی: اعتبارنامه‌های Google Sheets API و صفحه هدف.

* ورودی: خروجی عامل خدمات مشتری.

* خروجی: داده‌ها در صفحه گسترده ذخیره می‌شوند.

* موارد مرزی: رد دسترسی به صفحه، تجاوز از سهمیه.

• Merge3, Merge4, Aggregate, Aggregate3:

* نقش: جریان‌های داده متعدد را برای آماده‌سازی آن‌ها برای ورودی عامل ترکیب و خلاصه می‌کنند.

* ورودی/خروجی: جریان‌های داده طبقه‌بندی‌کننده و متنی مختلف.

* موارد مرزی: عدم تطابق داده‌ها، خطاهای تجمیع.

۲.۴ پردازش عامل هوش مصنوعی

هدف: این بلوک اصلی پردازش هوش مصنوعی است که در آن عامل خدمات مشتری LangChain از تمام داده‌های تجمیع شده، پایگاه‌های دانش و پایگاه‌های داده سفارش برای تولید پاسخ‌های آگاه از زمینه استفاده می‌کند.

نودها:

• Customer service AGENT (LangChain Agent)
• Knowledge base (Google Docs Tool)
• orders database (Google Sheets Tool)
• OpenAI Chat Model (lmChatOpenAi) (LangChain OpenAI Chat Model)
• Postgres Chat Memory (LangChain Memory - Postgres)
• Think1 (LangChain toolThink)
• Sticky Notes related to AI agent function (StickyNote - فقط برای مستندسازی)

جزئیات نودها:

• Customer service AGENT:

* نقش: مکالمه را با استفاده از هوش مصنوعی، با ارجاع به داده‌های خارجی و حافظه پردازش می‌کند.

* پیکربندی: به عنوان منابع داده به ابزارهای OpenAI Chat Model، Postgres Chat Memory، Google Docs و Google Sheets متصل است.

* ورودی: زمینه تجمیع شده، داده‌های پایگاه دانش و اطلاعات پایگاه داده سفارش.

* خروجی: پاسخ‌هایی برای تلگرام تولید کرده و زمینه را به‌روز می‌کند.

* موارد مرزی: خرابی‌های API، فرمت ورودی غیرمنتظره، مشکلات دسترسی به پایگاه دانش.

• Knowledge base:

* نقش: اسناد دانش خاص دامنه را به عامل هوش مصنوعی ارائه می‌دهد.

* پیکربندی: اعتبارنامه‌های Google Docs API.

* ورودی: پرس‌وجوها از عامل هوش مصنوعی.

* خروجی: محتوای سند را به عامل هوش مصنوعی ارسال می‌کند.

* موارد مرزی: عدم اجازه دسترسی، سند یافت نشد.

• orders database:

* نقش: داده‌های مربوط به سفارش را برای تکمیل پاسخ‌های هوش مصنوعی ارائه می‌دهد.

* پیکربندی: اعتبارنامه‌های Google Sheets API.

* ورودی: پرس‌وجوها از عامل هوش مصنوعی.

* خروجی: داده‌های سفارش مربوطه.

* موارد مرزی: تغییرات ساختار صفحه، مشکلات دسترسی.

• OpenAI Chat Model:

* نقش: مدل زبان اصلی که قدرت استدلال و تولید پاسخ عامل هوش مصنوعی را تأمین می‌کند.

* پیکربندی: کلید API OpenAI، پارامترهای مدل چت.

* ورودی: زمینه و پرس‌وجوها از عامل.

* خروجی: پاسخ‌های متنی هوش مصنوعی.

* موارد مرزی: محدودیت‌های نرخ API، خرابی‌های شبکه.

• Postgres Chat Memory:

* نقش: تاریخچه چت را برای عامل حفظ می‌کند تا از تداوم مکالمه اطمینان حاصل شود.

* ورودی: نوبت فعلی مکالمه.

* خروجی: زمینه حافظه برای مراحل بعدی عامل.

• Think1:

* نقش: به عامل اجازه می‌دهد تا استدلال داخلی انجام دهد یا فراخوانی ابزار را اجرا کند.

* ورودی: افکار یا مراحل استدلال میانی عامل.

* خروجی: اقدام بعدی برای Customer service AGENT.

۲.۵ پاسخ و مسیریابی

هدف: این بلوک پاسخ‌ها را از طریق تلگرام به کاربران ارسال می‌کند و پیام‌های علامت‌گذاری شده برای مداخله انسانی را بر اساس اولویت پیام به مسیرهای تشدید ایمیل مناسب هدایت می‌کند.

نودها:

• respond (Telegram)
• Human intervention (LangChain textClassifier)
• Owner escalation (Gmail)
• Critical complaint. (Gmail)
• Human request. (Gmail)
• Normal path / success (NoOp)
• OpenAI Chat Model1 (LangChain OpenAI Chat Model - برای طبقه‌بندی مداخله انسانی)

جزئیات نودها:

• respond:

* نقش: پاسخ تولید شده توسط هوش مصنوعی را از طریق تلگرام به کاربر ارسال می‌کند.

* ورودی: پاسخ تولید شده توسط هوش مصنوعی از Customer service AGENT.

* خروجی: پیام تلگرام ارسال شده به کاربر.

* موارد مرزی: خطاهای API تلگرام، شناسه چت نامعتبر.

• Human intervention:

* نقش: پیام‌هایی را که نیاز به بررسی انسانی دارند بر اساس معیارهای خاص (مانند درخواست صریح، احساسات منفی بالا، پرچم‌های حریم خصوصی) طبقه‌بندی می‌کند.

* پیکربندی: از OpenAI Chat Model1 برای تجزیه و تحلیل محتوای پیام و زمینه استفاده می‌کند.

* ورودی: داده‌های پردازش شده پیام.

* خروجی: تصمیم‌گیری در مورد اینکه آیا مداخله انسانی لازم است.

* موارد مرزی: طبقه‌بندی نادرست، عدم تشخیص نیاز به مداخله.

• Owner escalation:

* نقش: مسائل حیاتی یا انواع خاصی از درخواست‌ها را به ایمیل مالک ارسال می‌کند.

* پیکربندی: اعتبارنامه‌های Gmail و آدرس گیرنده.

* ورودی: داده‌های پیام علامت‌گذاری شده برای تشدید مالک.

* خروجی: ایمیل ارسال شده به مالک.

* موارد مرزی: خرابی‌های ارسال ایمیل، گیرنده نادرست.

• Critical complaint.:

* نقش: شکایات بسیار حیاتی را به یک آدرس ایمیل تعیین شده برای توجه فوری هدایت می‌کند.

* پیکربندی: اعتبارنامه‌های Gmail و آدرس گیرنده.

* ورودی: داده‌های پیام طبقه‌بندی شده به عنوان شکایت حیاتی.

* خروجی: ایمیل ارسال شده به مسئول رسیدگی به شکایات حیاتی.

* موارد مرزی: خرابی‌های ارسال ایمیل.

• Human request.:

* نقش: پیام‌هایی را که صراحتاً درخواست کمک انسانی دارند به یک ایمیل خاص ارسال می‌کند.

* پیکربندی: اعتبارنامه‌های Gmail و آدرس گیرنده.

* ورودی: داده‌های پیام علامت‌گذاری شده به عنوان درخواست مستقیم انسانی.

* خروجی: ایمیل ارسال شده به تیم پشتیبانی انسانی.

* موارد مرزی: خرابی‌های ارسال ایمیل.

• Normal path / success:

* نقش: یک نود نگهدارنده (بدون عملیات) برای پیام‌هایی که نیازی به تشدید ندارند و با موفقیت توسط هوش مصنوعی پردازش می‌شوند.

* ورودی: داده‌های پیام که بدون تشدید پردازش و پاسخ داده شده‌اند.

* خروجی: بدون عملیات؛ نشان‌دهنده پردازش موفق توسط هوش مصنوعی.

* موارد مرزی: ندارد (زیرا یک نود NoOp است).

• OpenAI Chat Model1:

* نقش: قابلیت هوش مصنوعی را برای وظیفه طبقه‌بندی Human intervention فراهم می‌کند.

* پیکربندی: کلید API OpenAI و پارامترهای مدل.

* ورودی: محتوای پیام و زمینه.

* خروجی: نتیجه طبقه‌بندی را به Human intervention ارسال می‌کند.

* موارد مرزی: محدودیت‌های نرخ API، خطاهای شبکه.

۲.۶ منطق تجمیع و ادغام

هدف: این بخش شامل نودهای مختلف Merge و Aggregate است که در سراسر گردش کار برای ترکیب داده‌ها از شاخه‌های مختلف و آماده‌سازی آن‌ها برای مراحل پردازش بعدی استفاده می‌شوند. این نودها برای مدیریت جریان اطلاعات بین بلوک‌های عملکردی مختلف حیاتی هستند.

نودها:

• Merge (Merge)
• Merge3 (Merge)
• Merge4 (Merge)
• Aggregate (Aggregate)
• Aggregate3 (Aggregate)

جزئیات نودها:

• Merge:

* نقش: خروجی مراحل اولیه پیش‌پردازش متن (صدای تبدیل شده و متن مستقیم) را ترکیب می‌کند.

* ورودی: خروجی از Transcribe1 و Text.

* خروجی: متن یکپارچه را به بلوک طبقه‌بندی ارسال می‌کند.

• Merge3:

* نقش: نتایج طبقه‌بندی (قصد، احساسات، حریم خصوصی) را قبل از پردازش بیشتر ادغام می‌کند.

* ورودی: خروجی‌های intent classifier, sentiment classifier, و privacy classifier.

* خروجی: داده‌های طبقه‌بندی ترکیبی.

• Merge4:

* نقش: نتایج طبقه‌بندی را با زمینه مکالمه تولید شده توسط هوش مصنوعی ادغام می‌کند.

* ورودی: خروجی‌های Merge3 و Generate conv context.

* خروجی: داده‌های جامع برای عامل اصلی هوش مصنوعی.

• Aggregate & Aggregate3:

* نقش: برای خلاصه کردن یا ترکیب جریان‌های داده، احتمالاً برای ثبت یا آماده‌سازی ورودی‌ها برای ابزارهای خاص هوش مصنوعی استفاده می‌شوند.

* ورودی/خروجی: بسته به محل قرارگیری خاص آن‌ها در گردش کار متفاوت است، معمولاً خروجی‌های مسیرهای پردازش موازی را ترکیب می‌کنند.

۳. فناوری‌های کلیدی مورد استفاده

• n8n: پلتفرم اتوماسیون گردش کار.
• OpenAI GPT: برای درک زبان طبیعی، تولید متن و رونویسی.
• LangChain: چارچوبی برای ساخت برنامه‌های مبتنی بر LLM که ساخت عامل‌ها (agent) و زنجیره‌ها (chain) را ساده می‌کند.
• Telegram: کانال اصلی برای دریافت سوالات مشتریان.
• Postgres: برای ذخیره و بازیابی تاریخچه مکالمات (حافظه چت) استفاده می‌شود.
• Supabase: به عنوان یک مخزن داده اضافی برای زمینه مکالمه عمل می‌کند.
• Google Sheets: به عنوان یک پایگاه داده خارجی برای اطلاعات سفارشات و یک لاگ برای تعاملات تاریخی عمل می‌کند.
• Google Docs: به عنوان پایگاه دانش برای عامل هوش مصنوعی عمل می‌کند.
• Gmail: برای ارجاع مسائل حیاتی یا درخواست‌های خاص به پشتیبانی انسانی استفاده می‌شود.

۴. موارد استفاده بالقوه

• رسیدگی خودکار به تیکت‌های پشتیبانی مشتری.
• تولید پاسخ در لحظه برای سوالات متداول.
• تحلیل احساسات بازخورد مشتری.
• هدایت هوشمندانه مسائل پیچیده به تیم‌های تخصصی.
• غنی‌سازی پاسخ‌های هوش مصنوعی با اطلاعات لحظه‌ای سفارش یا محصول.
• پردازش تعاملات مشتری از طریق صدا به متن.