AI-ассистент поддержки: как готовить черновик ответа для сотрудника

Сотруднику поддержки надо ответить клиенту об условиях замены товара. Ассистент находит правило, проверяет сведения о заказе и предлагает текст. Самый полезный интерфейс здесь — черновик, рядом с которым видны основания и незакрытые вопросы. Сотрудник может быстро проверить ответ, дополнить его и отправить через привычную систему.

Разделите известное и то, что ещё нужно узнать

У задачи три источника: текст обращения, карточка заказа и правила обслуживания. Текст клиента описывает просьбу, но не подтверждает состояние заказа. Правило объясняет условия замены, но не сообщает, выполнены ли они конкретным покупателем. Сохраняйте факты отдельно, с указанием источника.

В карточке подготовки ответа полезны номер заказа, дата получения, причина обращения, найденное правило и недостающие сведения. Если клиент не сообщил, вскрыта ли упаковка, ассистент должен подготовить вопрос. Завершённый вежливый текст с выдуманным ответом на этот вопрос только увеличит время проверки.

Попросите подготовить пакет для редактора

Выход модели можно задать схемой с полями draft, source_ids и open_questions. В LangChain для агентного сценария структурированный результат задаётся через response_format у create_agent и возвращается в structured_response. Выбирайте стратегию под возможности используемой модели. Если инструменты пока не нужны, начните с вызова модели со структурированным ответом, не добавляя агентный цикл ради одного письма.

Сам текст черновика должен отвечать на просьбу клиента и явно учитывать незакрытые вопросы. Не добавляйте ссылки на внутренние системы в клиентскую часть. Интерфейс сотрудника хранит их отдельно. Тогда технические ID помогают проверке и не попадают в письмо.

Проверьте, готов ли черновик к отправке

В примере результат модели уже получен. Приложение проверяет, что все source_ids относятся к реально предоставленным источникам, а открытые вопросы блокируют состояние ready. В интерфейсе сотрудник видит и текст, и причину, почему требуется доработка. Проверка привязки ID помогает обнаружить выдуманную ссылку; смысл текста всё ещё оценивает редактор.

sources = {"policy-7", "order-42"}
draft = {"draft": "Уточните, пожалуйста, сохранена ли упаковка.",
         "source_ids": ["policy-7", "order-42"],
         "open_questions": ["Состояние упаковки"]}
unknown = set(draft["source_ids"]) - sources
state = "review" if unknown or draft["open_questions"] else "ready"
assert state == "review" and not unknown
print({"state": state, "questions": draft["open_questions"]})

Сделайте исправления источником улучшений

Храните предложенный текст и итоговую редакцию раздельно. Для отказа от черновика добавьте несколько предметных причин: неверное правило, пропущенный факт, неподходящий тон, слишком длинный ответ. Свободный комментарий оставьте для деталей. Одна кнопка «плохо» не позволяет понять следующий шаг инженера.

Для пилота выберите повторяемый тип обращений с доступными правилами и короткими ответами. Показывайте ассистенту только необходимые данные заказа. Сотрудник проверяет правило, факты клиента и обещания в тексте. Особенно внимательно относитесь к срокам и действиям, которые компания должна выполнить после отправки.

Измеряйте время до проверенного ответа, долю черновиков, принятых с содержательными изменениями, и причины исправлений. Сокращение времени набора символов само по себе мало говорит о пользе, если сотруднику приходится долго сверять каждую фразу.

После нескольких циклов обновления источников повторите одни и те же обращения. Если вопросы чаще возникают из-за неполной карточки заказа, подключение ещё одной модели не решит проблему. Следующей задачей станет сбор недостающих сведений или отдельный инструмент чтения статуса.

Продолжить проект на практике

Для рабочего черновика нужны и поиск правила, и удобный интерфейс проверки. В платном курсе LangChain 1.0.x вы соберёте RAG по PDF с цитатами, подключите инструменты и доведёте сквозной проект до API и веб-интерфейса. Практика измерения качества поможет проверять, опирается ли предложенный ответ на найденные основания.

Откройте программу курса и выберите следующий этап своего проекта.

По теме: LangChain вернул правильный JSON, но данные неверны: что проверять.