customer-support-agent
Construction d'agents de support client intelligents avec knowledge base, escalade et personnalisation. Se déclenche avec "agent support", "chatbot support", "customer support agent", "agent service client", "helpdesk agent", "FAQ bot", "support automatique", "ticket agent". Also triggers on "customer service bot".
khalilbenaz · 已有 AI 审核记录
安装与使用
运行命令前先阅读来源与依赖说明。复制命令不会自动安装或执行。
npx skills add khalilbenaz/claude-skills-collection --skill customer-support-agent技能说明
name: customer-support-agent description: Construction d'agents de support client intelligents avec knowledge base, escalade et personnalisation. Se déclenche avec "agent support", "chatbot support", "customer support agent", "agent service client", "helpdesk agent", "FAQ bot", "support automatique", "ticket agent". Also triggers on "customer service bot".
Customer Support Agent
Quand utiliser ce skill
Conçois un agent de support client autonome qui répond aux questions fréquentes via RAG, classe les intentions, gère l'empathie conversationnelle, escalade vers un humain selon des règles explicites, et s'intègre au CRM/ticketing. Applicable à tout secteur à fort volume : SaaS, e-commerce, télécoms, fintech, services.
Stack de référence 2026
| Couche | Options recommandées |
|---|---|
| Orchestration | LangGraph, Rasa Pro, CrewAI |
| RAG | LlamaIndex + pgvector, Weaviate, Pinecone |
| Embeddings | text-embedding-3-small (OpenAI), Cohere embed-v4 |
| LLM réponse rapide | Claude Haiku 3.5 |
| LLM question complexe | Claude Sonnet 4 |
| CRM/Ticketing | Zendesk, Intercom, Freshdesk, HubSpot |
| Canaux | Chat web, Email (Sendgrid), WhatsApp Business, Slack B2B |
Workflow en étapes
1. Définir l'architecture (Jour 1)
Cinq composantes obligatoires :
- RAG : pipeline d'indexation + query sur la knowledge base
- State machine : gestion de l'état de conversation (topic, turns, résolution)
- Classifieur d'intention : sujet + sentiment + urgence
- Moteur d'escalade : règles déterministes + score de confiance
- Connecteur CRM : lecture contexte client + écriture ticket/activité
Choix d'architecture selon le cas d'usage :
| Besoin | Architecture |
|---|---|
| Chat temps réel (< 2 s) | Synchrone, streaming LLM, Haiku en front |
| Email/ticket async | Queue (Redis/SQS) + worker LLM |
| Mix canal | Gateway unifié + state partagé (Redis) |
2. Construire le pipeline RAG
Sources à ingérer : articles d'aide, FAQ, politiques de remboursement, notes de version, guides produit.
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.node_parser import SentenceSplitter
# Chunking sémantique : 800 tokens, overlap 100
parser = SentenceSplitter(chunk_size=800, chunk_overlap=100)
documents = SimpleDirectoryReader("./knowledge_base").load_data()
index = VectorStoreIndex.from_documents(documents, transformations=[parser])
query_engine = index.as_query_engine(
similarity_top_k=5,
response_mode="compact"
)
def retrieve_answer(question: str) -> tuple[str, float]:
response = query_engine.query(question)
score = response.source_nodes[0].score if response.source_nodes else 0.0
return str(response), score
Mise à jour de l'index : webhook sur chaque commit de la doc → re-indexation incrémentale, pas full rebuild.
3. Classification d'intention
Prompt de classification structuré (JSON forcé) :
CLASSIFY_PROMPT = """
Analyse ce message client et retourne UNIQUEMENT ce JSON :
{
"topic": "billing|bug|feature|account|shipping|legal|other",
"sentiment": "positive|neutral|frustrated|angry",
"urgency": "blocking|high|low",
"response_type": "information|action|escalate"
}
Message : {message}
"""
Règle de routing rapide :
sentiment=angry+urgency=blocking→ escalade immédiatetopic=legaloutopic=billing(montant > seuil) → escalade immédiateresponse_type=information+ score RAG ≥ 0.75 → réponse autonome- score RAG < 0.60 → admettre l'ignorance + escalade proposée
4. State machine de conversation
5 états séquentiels avec transitions explicites :
WELCOME → UNDERSTAND → RESOLVE → CONFIRM → CLOSE
↓ (ambiguïté)
CLARIFY → RESOLVE
↓ (non résolu × 2)
ESCALATE
Implémentation LangGraph :
from langgraph.graph import StateGraph, END
builder = StateGraph(ConversationState)
builder.add_node("welcome", welcome_node)
builder.add_node("understand", understand_node)
builder.add_node("resolve", resolve_node)
builder.add_node("confirm", confirm_node)
builder.add_node("escalate", escalate_node)
builder.add_node("close", close_node)
builder.add_conditional_edges("understand", route_after_understand)
builder.add_conditional_edges("resolve", route_after_resolve)
builder.set_entry_point("welcome")
graph = builder.compile()
5. Personnalisation contextuelle via CRM
def build_system_prompt(customer_id: str, company: str) -> str:
ctx = crm.get_customer(customer_id)
tickets = crm.get_recent_tickets(customer_id, limit=3)
return f"""Tu es l'assistant support de {company}.
Client : {ctx['name']} — Plan : {ctx['plan']} — Inscrit depuis : {ctx['since']}
Derniers tickets : {tickets}
Adapte ton niveau de service au plan. Ne répète pas ce que le client a déjà dit."""
Données utiles à injecter : plan (free/premium/enterprise), historique tickets (3 derniers), produits actifs, préférences langue, SLA applicable.
6. Règles d'escalade (déterministes en priorité)
Escalade immédiate (sans LLM) :
- Sujet =
legal,churn_threat,data_privacy - Remboursement > seuil configuré (ex. 200 €)
- Client demande explicitement un humain
- Même problème signalé ≥ 3 fois sans résolution
Escalade automatique (basée sur scoring) :
- Score de confiance RAG < 0.60 après 2 tentatives
- Sentiment
angrypersistant après 2 échanges sans résolution - Aucune réponse satisfaisante après 4 turns
def should_escalate(state: ConversationState) -> bool:
return (
state.intent.topic in ESCALATE_TOPICS
or state.rag_score < 0.60 and state.turns >= 2
or state.sentiment == "angry" and state.unresolved_turns >= 2
or state.explicit_human_request
)
Handoff vers humain : envoyer résumé structuré (intention, sentiment, tentatives, contexte client, historique complet).