Dans ce guide, vous apprendrez à créer un agent qui peut :
- Faire remonter les commentaires des utilisateurs et les demandes des clients recueillies à différents endroits, afin de mettre en évidence les besoins récurrents des clients pour lesquels vous pouvez prendre des mesures.
- Agréger des données non structurées ou structurées en informations faciles à comprendre pour les équipes de produits.
Tu préfères qu'on le mette en place avec toi ?
30 minutes pour cadrer ton premier agent.
Créer l'agent
Ajoutez les instructions suivantes
Vous recevrez des données provenant de différents documents, qui sont des discussions pouvant inclure des demandes de fonctionnalités de la part des utilisateurs.
Notre société est Dust, une entreprise qui aide à briser les silos de connaissances et à amplifier la performance de l'équipe avec des agents d'IA augmentés par les données, personnalisables et sécurisés.
Votre objectif est de résumer les demandes de fonctionnalités et de les consolider. Comme les données proviennent de différents canaux, vous devez regrouper toutes les discussions par sujet, car un certain nombre de clients peuvent demander la même fonctionnalité ou sensibiliser à un besoin spécifique.
Le nom du client est généralement une personne, et le nom de l'entreprise peut figurer dans le titre du document.
Rédigez votre réponse sous la forme de deux tableaux composés de cinq colonnes : Un tableau pour classer les commentaires sur les fonctionnalités ou les problèmes signalés par nos utilisateurs et un second tableau pour classer les demandes de fonctionnalités. N'affichez que les 5 occurrences les plus fréquentes.
## Tableau des retours d'expérience
colonne 1 : "Category" = le nom de la catégorie
colonne 2 : "Fonctionnalité" = le nom de la fonctionnalité spécifique mentionnée dans le feedback de l'utilisateur pour nous aider à identifier des modèles.
colonne 3 : "Problèmes" = une description des problèmes et des commentaires rapportés par nos utilisateurs dans cette catégorie.
colonne 4 : "Client" = le nom des personnes qui partagent le retour d'information. Lorsqu'il s'agit d'un retour d'information récurrent, indiquez les noms de toutes les entreprises.
## Tableau des demandes de fonctionnalités
colonne 1 : "Catégorie" = le nom de la catégorie
colonne 2 : "Fonction" = le nom de la fonction spécifique demandée par l'utilisateur pour nous aider à identifier des modèles.
colonne 3 : "Problèmes" = une description du cas d'utilisation partagé par nos utilisateurs qui entrent dans cette catégorie.
colonne 4 : "Client" = le nom des personnes qui partagent le retour d'information. Lorsqu'il s'agit d'un retour d'information récurrent, indiquez les noms de toutes les entreprises.
Conseils de pro
- Soyez précis quant au type de résultat que vous attendez.
- Donnez quelques informations générales sur votre entreprise/votre offre pour aider l'agent à mettre le retour d'information en perspective, ce qui peut contribuer à accroître l'utilité du résultat.
Brancher votre agent sur les sources de données pertinentes
Dans ce cas, nous utiliserons l'outil d'inclusion de données et le connecterons à deux dossiers qui contiennent tout le contexte pertinent qui a été automatiquement rempli à l'aide de l'API Dust.
Dans votre cas, vous voudrez probablement le connecter à certains canaux Slack, Intercom, etc. partout où vous recevez un retour d'information.
Pourquoi ne pas utiliser l' outil derecherche?
- L'outil de
recherchen'utilisera que les ~30 documents les plus pertinents pour répondre. - Pour ce type de cas d'utilisation, nous voulons nous assurer que tous les documents pertinents sont inclus. En d'autres termes, nous devons utiliser les outils
include dataouextract dataqui permettent d'effectuer une recherche exhaustive.
Pourquoi ne pas utiliser l' outil d'extraction de données ?
- Nous pourrions utiliser l'outil d'
extraction de donnéesqui parcourra tous les documents et extraira les informations pertinentes dans un format structuré. - Dans ce cas, nous avons décidé de simplifier et d'utiliser
include dataqui prendra autant de documents qu'il peut en contenir dans sa fenêtre contextuelle (120k tokens ou 90 pages) dans un ordre chronologique. - Nous pouvons le faire parce que la taille totale du contexte (feedback et tickets d'assistance) que l'agent doit utiliser comme entrée ne dépasse pas la capacité maximale des modèles.
Conseils de pro
- Les grands modèles de langage ne sont pas adaptés à l'analyse quantitative. Bien que cet agent soit excellent pour extraire des informations, il sera limité en ce qui concerne l'analyse quantitative. Il sera limité lorsqu'il s'agira de quantifier les informations. Pour cela, nous vous recommandons d'utiliser l'outil de
tableau de requêtes. - Vous pouvez décider de ne donner aucun outil à l'agent et de copier/coller les données brutes dans l'interface de discussion.
Utiliser l'agent
Voyons comment l'agent fonctionne en pratique à l'aide d'un faux CV.
1/ Appeler l'agent
2/ Reformater le résultat en utilisant des agents génériques
Vous pouvez utiliser @gpt4 pour reformater le résultat comme vous le souhaitez.
Conseils de pro
- Nous recommandons d'utiliser des agents génériques pour s'assurer qu'aucune autre instruction ou source de données ne peut influencer le résultat. Les agents génériques n'utiliseront que le contexte de la discussion (y compris les documents récupérés précédemment) pour générer le résultat.
3/ Poser des questions de suivi avec un agent générique
Vous pouvez poser une question de suivi à tout moment en utilisant @gpt4 pour obtenir plus d'informations sur un feedback. L'agent utilisera les documents récupérés plus tôt dans la discussion pour générer la réponse - ici tous les commentaires bruts des clients.
En utilisant un agent générique, nous nous assurons qu'aucune nouvelle donnée n'est prise en compte pour répondre.
Le calendrier ne s'affiche pas ? Ouvrir dans un nouvel onglet →