پاسخ‌دهی خودکار تیکت Zendesk با هوش مصنوعی و RAG

پاسخ‌دهی خودکار به تیکت‌های پشتیبانی Zendesk با استفاده از RAG، OpenAI و پایگاه دانش Supabase

این گردش کار، پاسخ‌دهی به تیکت‌های پشتیبانی Zendesk را با استفاده از Retrieval-Augmented Generation (RAG) خودکار می‌کند. این سیستم پاسخ‌های تولید شده توسط هوش مصنوعی را با اطلاعات پایگاه دانش Supabase غنی‌سازی کرده و با استفاده از حافظه جلسه ذخیره شده در PostgreSQL، زمینه مکالمه را حفظ می‌کند. هدف اصلی، ارائه پاسخ‌های دقیق، آگاه از زمینه و حرفه‌ای به تیکت‌های جدید Zendesk است که منجر به بهبود کارایی و یکپارچگی پشتیبانی می‌شود.

ویژگی‌های کلیدی:

• مدیریت خودکار تیکت: پاسخ‌دهی خودکار به تیکت‌های جدید Zendesk.
• یکپارچه‌سازی پایگاه دانش: استفاده از RAG برای استخراج اطلاعات مرتبط از فروشگاه برداری (vector store) Supabase.
• حافظه متنی: حفظ تاریخچه مکالمات با استفاده از پایگاه داده PostgreSQL برای تعاملات منسجم‌تر.
• پاسخ‌های مبتنی بر هوش مصنوعی: استفاده از مدل‌های OpenAI برای تولید پاسخ‌های طبیعی و آموزنده.
• خودکارسازی گردش کار: ساده‌سازی عملیات پشتیبانی با کاهش نیاز به مداخله دستی.

لینک کاتالوگ Axeto.ai: https://axeto.ai/n8n

---

تشریح گردش کار (Workflow Breakdown)

گردش کار به چندین بخش منطقی تقسیم شده است:

1. دریافت ورودی: دریافت داده‌های تیکت جدید از Zendesk از طریق Webhook.

2. استخراج داده‌های تیکت: تجزیه و فرمت‌بندی اطلاعات ضروری تیکت.

3. بازیابی پایگاه دانش: جستجو در Supabase برای مقالات مرتبط بر اساس محتوای تیکت.

4. بازیابی حافظه جلسه: بارگذاری تعاملات گذشته از PostgreSQL برای ارائه زمینه مکالمه.

5. تولید پاسخ هوش مصنوعی: ایجاد پاسخ با استفاده از OpenAI، با اطلاع‌رسانی از پایگاه دانش و حافظه جلسه.

6. پردازش شرطی: ارزیابی پاسخ هوش مصنوعی برای کامل بودن یا نیاز به راه حل جایگزین.

7. به‌روزرسانی Zendesk: برچسب‌گذاری تیکت برای نشان دادن پاسخ تولید شده توسط هوش مصنوعی.

8. راهنمایی و تست: ارائه دستورالعمل‌هایی برای راه‌اندازی و تأیید.

---

تحلیل گره‌های جزئی

۱. دریافت ورودی

هدف: دریافت داده‌های تیکت پشتیبانی ورودی از Zendesk.

• نکته - تنظیم Webhook

* نوع: n8n-nodes-base.stickyNote

* نقش: ارائه دستورالعمل برای پیکربندی webhook Zendesk.

* محتوا: کاربران را راهنمایی می‌کند تا URL webhook ارائه شده را در تنظیمات ادمین Zendesk تحت 'Triggers' تنظیم کنند.

* وابستگی‌ها: ندارد.

• دریافت تیکت‌های جدید

* نوع: n8n-nodes-base.webhook

* نقش: به عنوان نقطه ورود عمل می‌کند و منتظر درخواست‌های POST از Zendesk است.

* پیکربندی:

* مسیر (Path): zendesk_new_ticket

* متد HTTP: POST

* ورودی: درخواست HTTP POST از Zendesk.

* خروجی: بار داده JSON حاوی جزئیات تیکت جدید.

* مشکلات احتمالی: URL webhook نادرست پیکربندی شده در Zendesk یا مشکلات اتصال شبکه.

۲. استخراج داده‌های تیکت

هدف: استخراج و ساختاردهی اطلاعات کلیدی از داده‌های تیکت ورودی Zendesk.

• استخراج تیکت جدید

* نوع: n8n-nodes-base.set

* نقش: فیلدها را از بار داده webhook Zendesk به متغیرهای نام‌گذاری شده برای استفاده آسان‌تر در گره‌های بعدی نگاشت می‌کند.

* پیکربندی: از عبارات جاوا اسکریپت برای استخراج فیلدهایی مانند ticket_id, requester_email, subject و description استفاده می‌کند. همچنین آخرین پاراگراف توضیحات را کوتاه کرده و یک مُهر زمانی اضافه می‌کند.

* ورودی: داده‌های JSON از گره دریافت تیکت‌های جدید.

* خروجی: یک شیء JSON ساختاریافته حاوی اطلاعات استخراج شده تیکت.

* موارد مرزی (Edge Cases): مواردی را که فیلد توضیحات ممکن است خالی باشد، مدیریت می‌کند.

۳. بازیابی پایگاه دانش

هدف: یافتن اطلاعات مرتبط از پایگاه دانش میزبانی شده در Supabase.

• نکته - تنظیم Supabase

* نوع: n8n-nodes-base.stickyNote

* نقش: به کاربر یادآوری می‌کند که اعتبارنامه‌های Supabase را پیکربندی کرده و از وجود جدول لازم اطمینان حاصل کند.

* محتوا: به کاربران دستور می‌دهد تا اعتبارنامه‌های API Supabase را تنظیم کرده و یک جدول documents حاوی محتوای پایگاه دانش جاسازی شده را تأیید کنند.

* وابستگی‌ها: Supabase Vector Store.

• Embeddings OpenAI

* نوع: @n8n/n8n-nodes-langchain.embeddingsOpenAi

* نقش: متن توضیحات تیکت را به بردارهای عددی (embeddings) تبدیل می‌کند.

* پیکربندی:

* مدل: text-embedding-3-small

* ابعاد: 1536

* اعتبارنامه‌ها: نیاز به کلید API OpenAI دارد.

* ورودی: متن توضیحات تیکت از گره استخراج تیکت جدید.

* خروجی: بردارهای جاسازی شده (embeddings) توضیحات تیکت.

* مشکلات احتمالی: محدودیت‌های نرخ (rate limits) API OpenAI یا کلید API نامعتبر.

• Supabase Vector Store

* نوع: @n8n/n8n-nodes-langchain.vectorStoreSupabase

* نقش: برای انجام جستجوی شباهت با استفاده از بردارهای جاسازی شده تولید شده، به Supabase متصل می‌شود.

* پیکربندی:

* پرس و جو (Query): match_documents

* نام جدول: documents

* اعتبارنامه‌ها: نیاز به اعتبارنامه‌های API Supabase (URL و کلید) دارد.

* ورودی: بردارهای جاسازی شده از Embeddings OpenAI.

* خروجی: لیستی از اسناد از فروشگاه برداری Supabase که بیشترین شباهت را به توضیحات تیکت دارند.

* مشکلات احتمالی: خطاهای اتصال Supabase، عدم یافتن اسناد مرتبط.

• بازیابی پایگاه دانش

* نوع: @n8n/n8n-nodes-langchain.toolVectorStore

* نقش: محتوای K مقاله برتر مرتبط پایگاه دانش شناسایی شده توسط فروشگاه برداری را بازیابی می‌کند.

* پیکربندی:

* نام فروشگاه برداری (Vector Store Name): content_en

* K برتر (Top K): 5

* ورودی: نتایج از گره Supabase Vector Store.

* خروجی: قطعات محتوا از مرتبط‌ترین مقالات پایگاه دانش.

* موارد مرزی: اگر هیچ سند مرتبطی یافت نشد، این خروجی ممکن است خالی باشد که در مراحل بعدی مدیریت می‌شود.

۴. بازیابی حافظه جلسه

هدف: بارگذاری داده‌های مکالمه تاریخی برای تیکت فعلی برای حفظ زمینه (context).

• نکته - حافظه Postgres

* نوع: n8n-nodes-base.stickyNote

* نقش: دستورالعمل‌هایی را در مورد راه‌اندازی جدول PostgreSQL برای ذخیره تاریخچه چت به کاربر ارائه می‌دهد.

* محتوا: کاربران را راهنمایی می‌کند تا جدولی در PostgreSQL به نام zendesk_ticket_histories برای ذخیره زمینه جلسه ایجاد کنند.

* وابستگی‌ها: Postgres Ticket Memory.

• Postgres Ticket Memory

* نوع: @n8n/n8n-nodes-langchain.memoryPostgresChat

* نقش: تاریخچه چت را از پایگاه داده PostgreSQL بر اساس ticket_id بازیابی می‌کند.

* پیکربندی:

* کلید جلسه (Session Key): به صورت پویا با استفاده از ticket_id که قبلاً استخراج شده، تنظیم می‌شود.

* اعتبارنامه‌ها: نیاز به جزئیات اتصال پایگاه داده PostgreSQL (host, port, user, password, database name) دارد.

* ورودی: ticket_id از گره استخراج تیکت جدید.

* خروجی: تاریخچه چت مربوط به جلسه تیکت فعلی.

* مشکلات احتمالی: خطاهای اتصال PostgreSQL، یا عدم یافتن تاریخچه قبلی (به طور پیش‌فرض زمینه خالی خواهد بود).

۵. تولید پاسخ هوش مصنوعی

هدف: تولید پاسخ پشتیبانی با استفاده از OpenAI، با گنجاندن اطلاعات پایگاه دانش و تاریخچه مکالمه.

• نکته - تنظیم OpenAI

* نوع: n8n-nodes-base.stickyNote

* نقش: به کاربر یادآوری می‌کند که کلید API OpenAI خود را پیکربندی کند.

* محتوا: به کاربران دستور می‌دهد تا کلید API OpenAI خود را در تنظیمات اعتبارنامه‌ها اضافه کنند و مدلی را پیشنهاد می‌دهد (مانند gpt-4o).

* وابستگی‌ها: Embeddings OpenAI, RAG AI Agent.

• RAG AI Agent

* نوع: @n8n/n8n-nodes-langchain.agent

* نقش: به عنوان موتور اصلی هوش مصنوعی عمل می‌کند، توضیحات تیکت، محتوای پایگاه دانش بازیابی شده و حافظه جلسه را پردازش کرده و پاسخی را تولید می‌کند.

* پیکربندی:

* متن ورودی (Input Text): توضیحات تیکت.

* گزینه‌ها (Options): maxIterations روی 2 تنظیم شده است تا تعداد مراحل استدلال محدود شود.

* پیام سیستمی (System Message): یک پرامپت که هوش مصنوعی را برای ایفای نقش یک دستیار پشتیبانی حرفه‌ای و پایبندی دقیق به اسناد پایگاه دانش ارائه شده، آموزش می‌دهد.

* ورودی:

* توضیحات تیکت (از استخراج تیکت جدید).

* محتوای پایگاه دانش (از بازیابی پایگاه دانش).

* حافظه جلسه (از Postgres Ticket Memory).

* خروجی: متن پاسخ تولید شده توسط هوش مصنوعی.

* مشکلات احتمالی: اتمام زمان مدل (model timeouts)، تولید پاسخ‌های نامربوط یا ناقص، خطاهای API OpenAI.

۶. پردازش شرطی

هدف: بررسی اینکه آیا پاسخ هوش مصنوعی نشان‌دهنده عدم وجود اطلاعات مرتبط است و نیاز به یک راه حل جایگزین دارد.

• اگر پایگاه دانش مرتبطی یافت نشد

* نوع: n8n-nodes-base.if

* نقش: پاسخ تولید شده توسط هوش مصنوعی را ارزیابی می‌کند تا ببیند آیا حاوی یک عبارت جایگزین خاص (مانند "به زودی پاسخ خواهم داد") است یا خیر.

* پیکربندی: از بررسی محتوای رشته‌ای (string containment check) روی خروجی هوش مصنوعی استفاده می‌کند.

* ورودی: متن پاسخ هوش مصنوعی از گره RAG AI Agent.

* خروجی: گردش کار را بر اساس شرط منشعب می‌کند (اگر عبارت جایگزین یافت شد True، در غیر این صورت False).

* موارد مرزی: احتمال مثبت کاذب (false positives) اگر عبارت جایگزین به طور ناخواسته در یک پاسخ معتبر ظاهر شود.

۷. به‌روزرسانی Zendesk

هدف: به‌روزرسانی تیکت Zendesk با یک تگ که نشان می‌دهد پاسخی توسط هوش مصنوعی تولید شده است.

• نکته - دامنه Zendesk

* نوع: n8n-nodes-base.stickyNote

* نقش: از کاربر می‌خواهد زیردامنه (subdomain) خاص Zendesk خود را وارد کند.

* محتوا: به کاربران دستور می‌دهد تا جایگزین را با دامنه واقعی Zendesk خود جایگزین کنند (مانند yourcompany.zendesk.com).

* وابستگی‌ها: Add Tags (ai_reply).

• افزودن تگ‌ها (ai_reply)

* نوع: n8n-nodes-base.httpRequest

* نقش: یک درخواست PUT به API Zendesk ارسال می‌کند تا تگ ai_reply را به تیکت اضافه کند.

* پیکربندی:

* URL: به صورت پویا با استفاده از شناسه تیکت و دامنه Zendesk ارائه شده توسط کاربر ساخته می‌شود.

* متد: PUT

* احراز هویت: اعتبارنامه‌های API Zendesk (OAuth2 یا API Token).

* بدنه (Body): بار داده JSON حاوی آرایه‌ای با تگ "ai_reply".

* ورودی: ticket_id از گره استخراج تیکت جدید.

* خروجی: پاسخ API Zendesk که به‌روزرسانی تگ را تأیید می‌کند.

* مشکلات احتمالی: شکست احراز هویت، محدودیت‌های نرخ API، شناسه تیکت نامعتبر، دامنه Zendesk نادرست.

۸. راهنمایی و تست

هدف: ارائه دستورالعمل‌های نهایی برای تأیید عملکرد گردش کار.

• نکته - تست

* نوع: n8n-nodes-base.stickyNote

* نقش: فهرستی از موارد را برای کاربران جهت تأیید عملکرد صحیح گردش کار ارائه می‌دهد.

* محتوا: کاربران را راهنمایی می‌کند تا محتوای پاسخ هوش مصنوعی را تأیید کنند، تگ ai_reply را در Zendesk بررسی کنند و تأیید کنند که تاریخچه جلسه در PostgreSQL ذخیره می‌شود.

---

جدول خلاصه