كيفية هيكلة قاعدة معرفة للذكاء الاصطناعي الصوتي
هيكِلها كمقاطع Markdown تكرارية بحجم 512 توكن موسومة ببيانات وصفية للمنتج والمنطقة والجمهور، تُسترجَع عند عتبة تشابه 0.65 أو أعلى مع تعليمات رفض صريحة. هذا هو النمط رباعي الطبقات (التنسيق، والتقسيم إلى مقاطع، وتحديد نطاق البيانات الوصفية، والاسترجاع القائم على الرفض افتراضيًا) الذي تستخدمه الوكلاء الصوتيون في بيئات الإنتاج على منصّات مثل Retell AI لمنع نمط الفشل المتمثل في اختلاق الخطوات.
يشرح باقي هذا الدليل كل طبقة بقيم التهيئة الدقيقة، وبنية مرجعية مصمّمة على غرار مكتبات الدعم المؤسسية مثل مكتبة Lenovo، وبروتوكول الاختبار الذي يلتقط الهلوسات قبل أن تصل إلى المتصل.
بنية استرجاع تُؤسّس كل استجابة للوكيل على محتواك المُتحقَّق منه، وتمنع النموذج من اختلاق الخطوات، وتبقى ضمن ميزانية زمن الاستجابة اللازمة للمحادثات الهاتفية الطبيعية.
بنهاية هذا الدرس التعليمي، ستكون قاعدة معرفتك قادرة على:
أرشِف كل وثيقة قديمة أو متناقضة أو ليست المصدر الوحيد للحقيقة في موضوعها قبل أن تفهرس صفحة واحدة. المصدر الأكبر لهلوسات الوكيل الصوتي ليس النموذج. إنه المحتوى المتناقض أو القديم في المادة المصدرية.
إذا تعارضت صفحتان بشأن مهلة الاسترداد لديك، فلن يكون لدى نظام الاسترجاع طريقة لاختيار الصحيحة منهما، وسيقرأ نموذج LLM بثقة أيًّا كان المقطع الفائز في درجة التشابه. اسحب كل وثيقة وسؤال شائع ومقال مساعدة تخطّط لفهرسته. تحقق من ثلاثة أمور لكل منها: هل هو محدّث اعتبارًا من هذا الربع، وهل هو المصدر الوحيد للحقيقة في موضوعه، وهل يطابق ما يقوله فعلًا كبار ممثلي الدعم لديك في المكالمات. إذا كانت الوثيقة لا ينبغي استخدامها للإجابة عن أسئلة العملاء، فلا ينبغي أن تكون في قاعدة معرفتك على الإطلاق. ElevenLabs
يجب أن يكون لديك الآن مجموعة منسّقة من الوثائق التي تشعر بالارتياح لإرسالها حرفيًا إلى عميل.
حوّل كل شيء إلى Markdown مُهيكَل مع H1 واحد لكل وثيقة، وH2 وصفي لكل سؤال قابل للحل من المستخدم، وفقرات قصيرة بمواضيع صريحة. يسترجع الوكلاء الصوتيون مقاطع نصية، وليس صفحات ويب معروضة. Markdown هو الصيغة التي تنجو من مسار التقسيم إلى مقاطع مع الحفاظ على أكبر قدر من البنية الدلالية سليمًا.
توصي وثائق Retell الخاصة بـ Markdown بدلًا من .txt لأن العناوين جيدة التنظيم تمنح نظام الاسترجاع حدودًا نظيفة للتقسيم عليها. استبدل كل "اضغط هنا" أو "كما هو موضّح أعلاه" بالمرجع الملموس، لأن المقطع الذي يحتوي على "أعلاه" قد يُسترجَع دون المقطع الذي يشير إليه. كل مقطع يُقرأ بمفرده، لذا يجب أن يكون كل مقطع منطقيًا بمفرده.
يجب أن يكون لديك الآن مجلد من ملفات Markdown حيث يغطّي كل ملف مجالًا واحدًا للمنتج ويغطّي كل H2 سؤالًا واحدًا قابلًا للحل من المستخدم.
استخدم التقسيم التكراري بحجم 512 توكن مع تداخل 10-15%، مع التقسيم على عناوين Markdown أولًا، ثم الفقرات، ثم الجمل. هذا هو الإعداد الافتراضي المُتحقَّق منه بالمعايير المرجعية لمحتوى RAG العام، وهو يصمد جيدًا لمادة الدعم الصوتي تحديدًا.
مقسّم تكراري بحجم 512 توكن مضبوط جيدًا مع تداخل 15% وإثراء بالبيانات الوصفية يتفوق على نهج التقسيم الدلالي المكلف في معظم مجموعات الوثائق الواقعية. المقاطع الطويلة تملأ نافذة سياق نموذج LLM بالضوضاء. المقاطع القصيرة تُجزّئ التعليمات عبر عمليات استرجاع متعددة وتتسبب في تخطّي الوكيل للخطوات في منتصف الشرح. القاعدة الصارمة: لا تُقسّم أبدًا إجراءً مرقّمًا عبر مقطعين. إذا كانت "الخطوة 3" في المقطع أ و"الخطوة 4" في المقطع ب، فيمكن لنظام الاسترجاع إرجاع أحدهما دون الآخر وسيتخطّى وكيلك إجراءً. Substack
يجب أن يكون لديك الآن مقاطع حيث تحتوي كل وحدة إما على إجراء كامل أو على نص سياقي منطقي دون جيرانه.
سِم كل مقطع بخمسة حقول كحد أدنى: product، وversion، وregion، وaudience، وlast_verified_date. هذا ما يمنع متصلًا من تكساس من سماع سياسات الاسترجاع الخاصة بكاليفورنيا ويمنع سؤالًا عن ThinkPad من سحب إجابات ThinkCentre.
إذا رأى وكيل واحد محتوى قاعدة معرفة لولايات أو مواقع متعددة، فقد يسحب الاسترجاع مقطع الولاية الخاطئة (مثل سياسة كاليفورنيا لمتصل من تكساس) ما لم يُصمَّم تحديد النطاق والبيانات الوصفية بعناية. تنطبق المشكلة نفسها على خطوط المنتجات وإصدارات البرمجيات وفئات العملاء وقنوات الدعم. في وقت التشغيل، يمرّر وكيلك المرشّحات ذات الصلة مع الاستعلام بحيث لا يأخذ البحث المتجهي في الاعتبار سوى المقاطع التي تطابق سياق المتصل. في Retell، يمكنك تمرير هذه كمتغيرات ديناميكية جُمعت سابقًا في المكالمة. Optimize Smart
يجب أن يكون لديك الآن مخطط بيانات وصفية يمكن فيه تحديد نطاق أي مقطع منفرد بشكل فريد لسياق متصل واحد.
اضبط عتبة التشابه على 0.65 أو أعلى وقيّد الاسترجاع بـ 3-5 مقاطع. نظام الاسترجاع الذي يُرجع دائمًا شيئًا ما هو آلة هلوسة متنكرة.
عندما يسأل متصل عن ميزة لا توثّقها، سيظل نظام الاسترجاع يُبرز أقرب تطابق دلالي. سيتلقى نموذج LLM ذلك المقطع وينسجه بطلاقة في إجابة خاطئة. في إعدادات قاعدة المعرفة في Retell، يتحكم معلَمان في هذا السلوك. معلمة "المقاطع المراد استرجاعها" تحدّد عدد النتائج التي تُغذّي نموذج LLM (الافتراضي 3، الحد الأقصى الموصى به 5 للصوت). معلمة "عتبة التشابه" تحدّد الحد الأدنى لتشابه جيب التمام كي يُعتبر المقطع ذا صلة (الافتراضي 0.6). لحالات استخدام دعم البرمجيات حيث تكون المعلومات الخاطئة أسوأ من عدم وجود معلومات، ارفع العتبة إلى 0.7.
يجب أن ترى الآن نظام الاسترجاع لديك يُرجع تطابقات أقل وأعلى جودة ويرفض التطابقات الهامشية.
أضف هذه التعليمة بالضبط إلى توجيه الوكيل: "أجب فقط باستخدام المعلومات الموجودة في ## Related Knowledge Base Contexts. إذا كان هذا القسم مفقودًا أو لا يحتوي على معلومات ذات صلة، فقل إنه لا تتوفر معلومات ذات صلة وقدّم تحويل المكالمة." هذه التعليمة الواحدة هي أكثر ضوابط مكافحة الهلوسة فعالية في أي وكيل صوتي.
بدونها، سيلجأ نموذج LLM إلى بيانات تدريبه عندما يعود الاسترجاع فارغًا. هذا هو نمط الفشل وراء كل كارثة روبوت محادثة عامة تقريبًا، بما في ذلك قضية تعرفة الوفاة الخاصة بـ Air Canada حيث حُمّلت شركة الطيران المسؤولية القانونية. نمط الرفض يقلب نمط الفشل من "إجابة خاطئة بثقة" إلى "دعني أحضر إنسانًا بصدق"، وهو بالضبط ما يريده المتصلون الذين يستخدمون برنامجك فعلًا عندما يصطدم النظام بحالة حدية.
يجب أن ترى الآن وكيلك يقول "ليس لدي ذلك موثّقًا؛ دعني أحوّلك" في الأسئلة الخارجة عن النطاق بدلًا من اختلاق الخطوات.
فعّل التحديث التلقائي على مصادر الروابط بحيث يعيد Retell الجلب كل 24 ساعة، وأصدِر نُسخًا من ملفات Markdown في Git، وأجرِ مراجعة ربع سنوية لأي ملف يحمل last_verified_date أقدم من 90 يومًا. المعرفة القديمة هي شريك الهلوسة الصامت.
إذا كانت قاعدة المعرفة قديمة، فإن RAG يسترجع الإجابة الخاطئة بشكل أسرع فحسب. الحل هو أتمتة الحداثة بدلًا من الاعتماد على تذكّر أحدهم إعادة رفع الملفات عند تغيّر وثائق المنتج. اقرِن التحديث التلقائي بالزحف التلقائي للمسارات الفرعية لمركز المساعدة بحيث تُفهرَس المقالات الجديدة تلقائيًا دون تدخّل يدوي. CX Today
يجب أن يكون لديك الآن قاعدة معرفة تحدّث نفسها عندما يتحدّث محتواك الأساسي، دون إنسان في الحلقة.
مرّر أسئلة المتصلين الحقيقية الخمسين عبر نظام الاسترجاع وافحص ما يعود قبل أن يحدث أي توليد من نموذج LLM. ثلاثة أمور تهمّ لكل استعلام: هل المقطع الصحيح ضمن أعلى 3، وهل درجة التشابه أعلى من عتبتك، وهل سيتمكن إنسان يقرأ المقاطع المسترجَعة فقط من الإجابة عن السؤال.
لأي سؤال يفشل فيه الاسترجاع، يكون الحل دائمًا تقريبًا عند المصدر. إما أن المحتوى ذا الصلة مفقود كليًا، أو أن التقسيم قسّم إجراءً عبر الحدود، أو أن البيانات الوصفية تصفّيه للخارج. قاوم الرغبة في إصلاح إخفاقات الاسترجاع بإضافة تعليمات إلى توجيه الوكيل. تصحيحات التوجيه هي كيف تنجرف قواعد المعرفة نحو فوضى غير قابلة للصيانة. اهدف إلى دقة استرجاع 90%+ على مجموعة الاختبار قبل النشر على المكالمات الحية.
يجب أن يكون لديك الآن رقم دقة استرجاع مُقاس لأهم أسئلة المتصلين لديك وقائمة بإصلاحات الوثائق المصدرية للأسئلة التي فشلت.
استخدم سير المحادثة مع قواعد معرفة على مستوى العقدة لأي وكيل صوتي حيث ينقسم قصد المتصل إلى مسارات عمل متمايزة، خاصة دعم البرمجيات، وجدولة الرعاية الصحية، والبيئات متعددة المنتجات. قاعدة المعرفة المسطّحة الموضوعة تحت توجيه واحد هي أرخى بنية ممكنة.
لدعم البرمجيات تحديدًا، النمط الأعلى جودة هو سير المحادثة حيث تسترجع كل عقدة فقط من شريحة الوثائق ذات الصلة بذلك الجزء من المكالمة. سير عمل دعم البرمجيات النموذجي يحتوي على عُقد للفرز، والبحث عن الحساب، واستكشاف الأخطاء وإصلاحها، والتصعيد، وتأكيد ما بعد الحل. عقدة استكشاف الأخطاء تحمّل قاعدة معرفة استكشاف الأخطاء. عقدة البحث عن الحساب لا تحمّل أي قاعدة معرفة على الإطلاق لأنها ينبغي أن تستدعي API. هذه البنية أكثر موثوقية في الصيانة من توجيه عملاق واحد مع قاعدة معرفة عملاقة واحدة. اقرِنها بميزة تحليل ما بعد المكالمة المدمجة بحيث ترى أي العُقد تُطلق الاسترجاع وأي الاستعلامات تعود دون العتبة.
يجب أن يكون لديك الآن نشر يضيق فيه نطاق الاسترجاع كلما ضاقت المحادثة، بدلًا من أن يبحث كل دور في كل وثيقة.
صنّف قاعدة المعرفة على مستويات حسب الجمهور وحدّد نطاق الاسترجاع لمستوى المتصل. هذا هو النمط الهيكلي الذي تستخدمه مكتبة الدعم المؤسسية لدى Lenovo لإبقاء محتوى إدارة الفصول الموجّه للمعلمين من التصادم مع المحتوى الهندسي التقني.
أنشأت Lenovo ثلاثة مستويات من المقالات — المواضيع العامة ومعلومات المنتج، والمواضيع الخاصة بالمعلمين، والمواضيع والمشكلات التقنية، مع مقالات مركّزة، وإزالة الحشوات المتكررة، وتوحيد اصطلاحات التسمية عبر المستويات الثلاثة جميعها. طبّق النمط نفسه على قاعدة معرفة الذكاء الاصطناعي الصوتي: Contiem
المستوى 1: المنتج العام والتسعير. حقائق موجّهة للعامة قد يسألها كل متصل. موسومة audience: all. افهرس كل شيء.
المستوى 2: إرشادات المستخدم النهائي. إجراءات خطوة بخطوة للمتصل القياسي. موسومة audience: end_user، محدّدة النطاق بـ product وregion. يحمل هذا المستوى الجزء الأكبر من حركة الاسترجاع.
المستوى 3: التقني والإداري. التهيئة، والتكاملات، والحالات الحدية. موسومة audience: admin. تُسترجَع فقط عندما يُحدَّد أن المتصل مسؤول سابقًا في المكالمة.
الأدلة التشغيلية الداخلية، ومصفوفات التصعيد، والملاحظات الهندسية توضَع في قاعدة معرفة منفصلة تمامًا، ولا يمكن أبدًا للوكيل الموجّه للعميل الوصول إليها. التصنيف على مستويات هو ما يمنع مكالمة استكشاف أخطاء لمستخدم نهائي من إبراز إجراء تصعيد داخلي عن طريق الخطأ.
لا. قاعدة المعرفة مخصّصة لتزويد معلومات داعمة، وليس لسلوك الوكيل. إذا وجدت نفسك ترفع ملف Markdown بعنوان "كيف ينبغي أن يتصرف الوكيل عند حدوث X"، فذلك المحتوى ينتمي إلى التوجيه أو إلى عقدة سير محادثة. مزجهما يُضعِف كليهما: نظام الاسترجاع يصنّف تعليمات السلوك مقابل الاستعلامات الواقعية ويسحبها في اللحظات الخاطئة.
ابدأ بهدف المستخدم، وليس باسم الميزة. "تهيئة المصادقة الثنائية" تصبح "تشغيل تسجيل الدخول الثنائي." يطابق نظام الاسترجاع صياغة المتصل المنطوقة، والأسئلة بلغة طبيعية تطابق العناوين بلغة طبيعية أفضل بكثير مما تطابق مصطلحات المنتج.
كل مقطع يُسترجَع بمفرده. استخدم الأسماء الكاملة بدلًا من الضمائر، وأسماء المنتجات الكاملة بدلًا من "المنصّة"، وكرّر أي سياق شرطي في كل خطوة بدلًا من قول "إذا كنت تستخدم وحدة تحكم المسؤول، إذًا..." بعد ثلاث فقرات. هذه القاعدة الواحدة تُلغي نسبة مفاجئة من الهلوسات لأنها تزيل الغموض الذي يحاول نموذج LLM حلّه بالتخمين لولا ذلك.
التقط المقاطع المسترجَعة، ودرجات التشابه، ومرشّحات البيانات الوصفية في كل مكالمة إلى جانب النص. تسجيل الاستجابة النهائية للوكيل فقط يجعل تصحيح أخطاء الهلوسة شبه مستحيل: ترى الإجابة الخاطئة لكن ليس ما إذا كان نظام الاسترجاع أرجع المقطع الخاطئ أم أن المقطع الصحيح تولّد بشكل غير صحيح. معظم تذاكر "الهلوسة" تتضح أنها مشكلات ترتيب استرجاع، وتُصلَح عند المصدر.
لا يستطيع مسار التقسيم إلى مقاطع الحفاظ على العلاقات المكانية التي تجعل الجداول قابلة للقراءة، لذا غالبًا ما تُسترجَع خلية الجدول دون رأس عمودها. أعِد كتابة الجداول الحرجة كنص بجمل صريحة. "تدعم خطة Pro 50 مستخدمًا وتتضمن وصول API" أفضل من خلية جدول يفصلها نظام الاسترجاع عن رأس عمودها.
قاعدة معرفة بها 4,000 مقطع منها 50 ذات صلة لأي متصل معيّن أسوأ من واحدة بها 400 مقطع منها 50 ذات صلة، لأن نظام الاسترجاع لديه 10 أضعاف من التطابقات المتنافسة لتشوّشه. ابنِ قواعد معرفة ضيقة لكل مسار عمل واربطها على مستوى العقدة بدلًا من ذلك.
عندما يقول الوكيل شيئًا خاطئًا، تكون الغريزة إضافة "لا تقل X" إلى التوجيه. ثلاثة من هذه ويصبح التوجيه متناقضًا؛ عشرة ويصبح غير قابل للإدارة. اكتشف لماذا قال نموذج LLM X. دائمًا تقريبًا، اقترحه مقطع في قاعدة المعرفة، أو أجبر غياب مقطع النموذج على اللجوء إلى بيانات التدريب. صحّح المصدر.
كل مقطع إضافي يضيف توكنات إلى التوجيه وملي ثوانٍ إلى الاستجابة. ضبط "المقاطع المراد استرجاعها" على 10 لأن المزيد من السياق يبدو أكثر أمانًا خطأ شائع. ابقَ عند 3 مقاطع لمحتوى الدعم النموذجي، وزِد إلى 5 فقط عندما تمتد أسئلة المتصلين عبر مواضيع متعددة، ولا ترفع أكثر أبدًا ما لم تكن قد قِست تحسينه للدقة.
لأنه يُسمح للوكيل بالتحدث دون تعليمات رفض صريحة. حُمّل روبوت محادثة Air Canada المسؤولية بعد توليده سياسة وفاة غير موجودة تناقض القواعد الفعلية لشركة الطيران، وتستمر إخفاقات مشابهة في التكرر عبر بائعين يتجاوزون طبقة الرفض. اجعل الرفض صريحًا، واختبر أنه يُطلَق، وعامِل أي حالة يختلق فيها الوكيل معلومات على أنها خطأ من الأولوية القصوى. CanLII
إضافة وثيقة جديدة تغيّر مشهد الاسترجاع لكل استعلام قائم. مقطع احتل المرتبة الأولى بالأمس قد يحتل المرتبة الثالثة اليوم. أبقِ مجموعة اختبار الأسئلة الخمسين مؤتمتة وأعِد تشغيلها كلما تغيّر المحتوى الأساسي بشكل ذي معنى.
نشرت SWTCH وكيلًا صوتيًا مدعومًا بـ Retell باسم Lucas للتعامل مع مكالمات دعم شواحن المركبات الكهربائية، حيث يقف المتصلون عادة عند شاحن معطّل ببطارية منخفضة ودون صبر على تعليمات خاطئة. خفّض التطبيق تكاليف الدعم بأكثر من 50% وحسّن هوامش SaaS بشكل كبير، مع إجابة الوكيل في ثوانٍ بدلًا من دقائق. حُدّد مستوى الموثوقية بحالة الاستخدام: خطوة استكشاف أخطاء خاطئة هي الفرق بين شاحن يعمل وسائق عالق.
طرحت Anker نظام Retell عبر دعم الإلكترونيات الاستهلاكية العالمي، حيث يسأل المتصلون أسئلة خاصة بالمنتج عبر عشرات وحدات حفظ المخزون ولغات متعددة. توضّح دراسة الحالة لماذا يهم تحديد نطاق البيانات الوصفية على نطاق واسع. دون تصفية على مستوى المنتج في الاسترجاع، يمكن لسؤال عن مكبر صوت أن يسحب دليل مكنسة كهربائية، وسيجمعهما الوكيل بثقة. مع بنية قاعدة معرفة سليمة، يبقى الوكيل داخل سياق المنتج طوال المكالمة.
يشغّل Retell AI الآن أكثر من 50 مليون مكالمة هاتفية بالذكاء الاصطناعي فورية كل شهر لعملاء عبر آلاف الأعمال، دون الإبلاغ عن خروج أي وكيل عن السيطرة عبر ذلك الحجم. البنية الموجودة في هذا الدليل هي نفسها التي تعمل تحت تلك المكالمات. Yahoo Finance
التقسيم التكراري بحجم 512 توكن مع تداخل 10-15% هو الإعداد الافتراضي المُتحقَّق منه بالمعايير المرجعية. المقاطع الأصغر (200-300 توكن) تناسب المحتوى بأسلوب الأسئلة الشائعة؛ المقاطع الأكبر (1024 توكن) تناسب النص السردي. قسّم دائمًا على عناوين Markdown أولًا، ثم الفقرات، ثم الجمل.
أضف تعليمة رفض صريحة إلى توجيه الوكيل: "أجب فقط باستخدام المعلومات الموجودة في ## Related Knowledge Base Contexts. إذا كان هذا القسم مفقودًا أو لا يحتوي على معلومات ذات صلة، فأجب بأنه لا تتوفر معلومات ذات صلة." مقترنة بعتبة تشابه 0.65 أو أعلى، هذا هو أكثر ضوابط مكافحة الهلوسة الفردية فعالية.
أقل من 100 مللي ثانية لكل دور على مسار الاسترجاع المُحسَّن لدى Retell، مع إبقاء الوكيل ضمن نافذة إجمالي الاستجابة البالغة نحو 600 مللي ثانية التي يتوقعها المتصلون. إذا رأيت زمن استجابة أعلى بشكل ملموس، فتحقق مما إذا كنت تسترجع مقاطع أكثر مما تحتاج أو ما إذا كانت تصفية البيانات الوصفية تُطبَّق في وقت الاستعلام بدلًا من بعد الاسترجاع.
يفوز سير المحادثة لدعم البرمجيات وأي سيناريو ينقسم فيه قصد المتصل إلى مسارات عمل متمايزة. قواعد المعرفة على مستوى العقدة تتيح لكل حالة محادثة الاسترجاع من شريحة مركّزة من المحتوى، مما يحسّن الدقة ويجعل الصيانة مباشرة. التوجيهات الواحدة تناسب حالات الاستخدام الضيقة مثل قاعدة أسئلة شائعة لمنتج واحد. يغطّي دليل نشر الذكاء الاصطناعي الحواري لدى Retell الخيار المعماري بمزيد من التفصيل.
فعّل التحديث التلقائي على مصادر الروابط بحيث يعيد Retell الجلب كل 24 ساعة. للوثائق المرفوعة، أجرِ مراجعة يدوية كلما تغيّر المنتج أو السياسة الأساسية وعامِل أي شيء أقدم من 90 يومًا على أنه بحاجة إلى تحقق.
نعم، جزئيًا. يمكنك استخدام نصوص المكالمات الناجحة وتسجيلات كبار الممثلين كمادة مصدرية لقاعدة المعرفة. استخرج أزواج السؤال والجواب، وحوّلها إلى Markdown، وافهرسها إلى جانب وثائقك الرسمية. هذا مفيد بشكل خاص لالتقاط الصياغة المحددة التي يستخدمها أفضل ممثليك، والتي غالبًا ما تحلّ المشكلات أسرع من نص مركز المساعدة الرسمي. لا يحلّ محل الوثائق المُهيكَلة؛ بل يكمّلها.
كحد أدنى: product، وversion، وregion، وaudience، وlast_verified_date. أضف topic للتوجيه الدقيق في سير محادثة، وcompliance_scope إذا كان لديك محتوى منظّم (HIPAA، مشورة مالية) لا ينبغي أبدًا استرجاعه خارج سياقات مكالمات محددة.
ابنِ مجموعة اختبار من 50-100 سؤال حقيقي من المتصلين خلال آخر 30 يومًا من تذاكر الدعم. لكل منها، افحص المقاطع المسترجَعة قبل أي توليد من نموذج LLM: هل المقطع الصحيح ضمن أعلى 3، وهل درجة التشابه أعلى من العتبة، وهل يمكن لإنسان الإجابة عن السؤال من تلك المقاطع فقط. اهدف إلى دقة استرجاع 90%+ على مجموعة الاختبار قبل النشر.
مع وجود تعليمة رفض وعتبة تشابه 0.65 أو أعلى، يقول الوكيل إنه ليس لديه تلك المعلومات موثّقة ويعرض إما أخذ رسالة أو التحويل المُمهَّد عبر تحويل المكالمات إلى وكيل بشري مع سياق محادثة كامل. دون هذه الضوابط، يلجأ الوكيل إلى بيانات تدريب نموذج LLM الأساسي، وهو بالضبط نمط الفشل الذي صُمّم هذا الدليل لمنعه.
لديك الآن بنية قاعدة معرفة تؤسّس كل استجابة للوكيل على محتوى مُتحقَّق منه، وتحدّد نطاق الاسترجاع حسب سياق المتصل، وترفض الإجابة عندما لا تكون الإجابة موثّقة، وتحدّث نفسها مع تغيّر مادتك المصدرية. هذا هو الأساس الذي يتيح لوكيل صوتي التعامل مع دعم البرمجيات، أو الصناعات المنظّمة، أو أي مكالمة عالية المخاطر حيث تهم خطوة خاطئة أكثر من خطوة سريعة.
لتوسيع هذا أكثر، تدعم بنية الاسترجاع نفسها حالات استخدام مثل أتمتة دعم العملاء بالذكاء الاصطناعي، و تأهيل العملاء المحتملين مع توجيه خاص بالمنتج، وموظفي الاستقبال المدعومين بالذكاء الاصطناعي لممارسات الرعاية الصحية حيث يكون تحديد نطاق الامتثال غير قابل للتفاوض. تتطابق الأنماط نفسها أيضًا مع عمليات نشر الرعاية الصحية والتأمين حيث تكون تكلفة الهلوسة مشكلة تنظيمية، وليست مجرد مشكلة تجربة عملاء.
ابدأ البناء مجانًا مع 10 دولارات من أرصدة الاستخدام على retellai.com.
See how much your business could save by switching to AI-powered voice agents.
Total Human Agent Cost
AI Agent Cost
Estimated Savings
رقم هاتف تجريبي من Retell Clinic Office
Start building smarter conversations today.
.avif)
.avif)
