Чат поддержки: ИИ отвечает, сложное — живому агенту

Сценарий сам отвечает в чате поддержки из базы знаний, а сложные диалоги эскалирует живому агенту и оповещает команду.

  • Простые вопросы закрывает ИИ из базы знаний
  • Сложное эскалируется живому агенту
  • Команда получает оповещение с назначенным агентом
  • Люди занимаются только тем, что требует людей
Postgres Chat MemoryGmail ToolWebhookPinecone Vector StoreEmbeddings Google Gemini
Подключить Postgres PGVector Store и запуститьScriptera

Как это работает

Уведомления из SendGrid в Postgres PGVector Store настраиваются готовым сценарием: он ловит событие и сразу шлёт сообщение.

  1. Запуск: Входящее Chat Webhook
  2. Затем: Подготовить правки полей
  3. Проверка: Маршрутизировать по типу сообщения Chat
  4. Если да — Проверить назначение оператора
  5. Если нет — Получить данные оператора
  6. Затем: Сгенерировать ID назначаемого агента
  7. Затем: ИИ-агент поддержки клиентов
  8. Затем: Разделить сообщения ИИ
  9. Затем: Сохранить память Chat в Postgres
  10. Затем: Отправить email команде
  11. Затем: Эскалировать late Chat через HTTP
  12. Затем: Использовать Groq Chat Model
  13. Затем: Применить Pinecone Vector Store
  14. Затем: Сгенерировать эмбеддинги Google Gemini
  15. Затем: Реализовать Google Gemini Chat Model
  16. Затем: Доступ к базе знаний

Настроить такую автоматизацию (SendGrid + Postgres PGVector Store) можно в Scriptera — без кода: опишите задачу, остальное сделают за вас.

Похожие сценарии