از پشتیبانی دستی تا ایجنت هوش مصنوعی: مسیر عملی

بیشتر پروژه‌های ایجنت پشتیبانی نه با مشکل فنی، بلکه با انتظار اشتباه شکست می‌خورند. ایجنت جایگزین تیم پشتیبانی نیست؛ لایه‌ی اولی است که سوال‌های تکراری را حل می‌کند و موارد پیچیده را با زمینه‌ی کامل به انسان می‌سپارد.

۱. محدوده را قبل از مدل تعریف کنید

فهرست کارهایی که ایجنت «نباید» انجام دهد مهم‌تر از فهرست کارهایی است که «باید» انجام دهد. تغییر اطلاعات مالی، لغو سرویس و تصمیم‌های حقوقی را از محدوده خارج کنید. این محدودیت‌ها باید در پرامپت سیستمی و لایه‌ی کد، هر دو اعمال شوند.

۲. دانش را ساختار بدهید

ایجنت با متن خام خوب کار نمی‌کند. دانش را به واحدهای کوچک، با عنوان و شرط کاربرد تقسیم کنید. هر واحد باید پاسخ یک سوال واقعی مشتری باشد و تاریخ به‌روزرسانی داشته باشد.

1. سوال‌های تکرارشونده را جمع کنید

   سه ماه تیکت‌های واقعی را دسته‌بندی کنید. این کار پایه‌ی همه‌چیز است.

2. برای هر دسته یک پاسخ مرجع بنویسید

   پاسخ کوتاه، دقیق و بدون اصطلاح داخلی. لینک به مستند کامل بدهید.

3. معیار موفقیت تعیین کنید

   مثلاً نرخ حل در لایه‌ی اول و نرخ ارجاع درست به انسان.

JSONکپی
{
  "role": "support-agent",
  "allowed": ["answer_faq", "find_order", "escalate"],
  "blocked": ["refund", "delete_account"],
  "handoff": {
    "when": ["confidence < 0.72", "customer_requests_human"],
    "include": ["summary", "order_id", "attempted_steps"]
  }
}

۳. ارجاع به انسان را طراحی کنید

بهترین ایجنت‌ها وقتی مطمئن نیستند، حدس نمی‌زنند. ارجاع باید همراه با خلاصه‌ی گفتگو، شناسه‌ی سفارش و کارهایی باشد که قبلاً امتحان شده است. این کار زمان حل را نصف می‌کند.

۴. با عدد تصمیم بگیرید

دو شاخص کافی است: نرخ حل مستقل و رضایت پس از گفتگو. اگر نرخ حل بالا رفت ولی رضایت پایین آمد، یعنی ایجنت سریع جواب می‌دهد اما درست جواب نمی‌دهد. اینجا باید دانش را اصلاح کنید، نه لحن را.