I denne artikel:
- Hvad ændrer sig mellem opsætning og avanceret konfiguration
- Hvordan konfigurerer du, hvornår chatbotten overdrager til en menneskelig agent?
- Hvordan begrænser du, hvad chatbotten må sige?
- Hvordan sikrer du ensartede svar på specifikke spørgsmål?
- Hvordan konfigurerer du flersproget adfærd?
- Hvordan holder du chatbotten lærende efter lancering?
- Hvilke indstillinger skal gennemgås, og hvor ofte
Vores guide til opsætning af en AI-kundesupportbot dækker de seks trin, der får LiveAgents chatbot op at køre: opret Flow’et, tilslut videnskilder, anvend det på widget’en. Det er minimum for at lancere. Det er ikke den konfiguration, der afgør, om botten rent faktisk er god tre måneder inde. Hvis du stadig sammenligner chatbot-muligheder frem for at justere en, du allerede kører, er vores oversigt over de bedste AI-chatbots til 2026 et bedre sted at starte.
Denne guide tager over derfra. Hver indstilling nedenfor er et reelt felt eller en reel komponent, du finder i LiveAgent eller FlowHunt , ikke en generisk bedste-praksis-liste.
Hvad ændrer sig mellem opsætning og avanceret konfiguration
Opsætning besvarer “fungerer botten?” Konfiguration besvarer “fungerer den på den måde, vores team rent faktisk har brug for?” Den forskel viser sig fire steder: hvornår botten eskalerer, hvad den må sige, hvor ensartede dens svar forbliver på tværs af sessioner, og om den bliver bedre eller forbliver statisk efter lancering.
En bot, der bestod sin første uges test, kan stadig frustrere kunder en måned senere, hvis ingen af disse fire områder genbesøges. De videnskilder, du tilsluttede ved lancering, ældes, de spørgsmål, kunder stiller, ændrer sig, og den standardoverleveringstærskel, der føltes rigtig på dag ét, sender måske allerede for mange eller for få samtaler videre til dine agenter.
Hvordan konfigurerer du, hvornår chatbotten overdrager til en menneskelig agent?
Åbn Chatbot-objektet i LiveAgent og indstil feltet “Påkrævede svar for at starte chat med menneskelig agent”. Dette tal er minimumsantallet af AI-svar, der skal gives, før knappen “Anmod om chat med menneskelig agent” bliver tilgængelig for den besøgende. Sæt det for lavt, og botten eskalerer spørgsmål, den selv kunne have håndteret, hvilket spilder agenttid på forespørgsler, der aldrig havde brug for et menneske. Sæt det for højt, og frustrerede kunder cykler gennem uhensigtsmæssige svar, før de når frem til nogen.
Der er en anden vej, der slet ikke afhænger af dette antal: AI-agenten kan selv beslutte midt i en samtale, at en forespørgsel er for kompleks, og overføre automatisk uden at vente på tærsklen for påkrævede svar. Dette er den mulighed, du bør læne dig op ad for supportemner, hvor et forkert svar er dyrt (betalingskonflikter, kontosikkerhed), og hvor et fast antal føles for rigidt.
Når en samtale overføres, overtager agenter den fra Chat-oversigtssektionen ved hjælp af knappen “Stop chatbot og deltag”, og hele samtalens historik føres med over i samme billet – mekanikken er dækket i detaljer i vores funktionsguide til AI-menneskelig overlevering . Intet ved den overlevering kan kundekonfigureres, men at vide, at det foregår sådan, forklarer, hvorfor det er vigtigt at teste overførselsflowet fra ende til anden – ikke kun bottens svar op til det punkt.
Hvordan begrænser du, hvad chatbotten må sige?
Som standard tillader LiveAgents skabelon-AI-agent en besøgende at bede om en menneskelig agent direkte på ethvert tidspunkt i samtalen, uafhængigt af tærsklen for påkrævede svar. Hvis det ikke er, hvad du ønsker – for eksempel en bot, der skal løse en snæver mængde spørgsmål fuldstændigt, før nogen menneskelig mulighed vises – så er løsningen at redigere systembeskeden for AI-agent-komponenten i FlowHunt, ikke en LiveAgent-indstilling.
Systembeskeden er også, hvor tone og persona rent faktisk findes. Der er ingen separat “personligheds”-dropdown: uanset hvilke instruktioner du skriver her (formelt vs. afslappet, hvordan man håndterer et spørgsmål uden for emneområdet, om man skal undskylde før eskalering) er det, botten følger. FlowHunt understøtter over 15 AI-modeller, og et modelskift kan påvirke, hvor bogstaveligt botten følger den pågældende formulering, men selve modellen er ikke, hvor tonen kommer fra.
Hvordan sikrer du ensartede svar på specifikke spørgsmål?
Videnskilder besvarer generelle spørgsmål godt, men til alt, dit team ønsker formuleret identisk hver gang – prisoplysninger, politikformuleringer, en specifik ansvarsfraskrivelse – brug i stedet FlowHunts spørgsmål-og-svar-funktion . Den lader dig definere et fast svar på en specifik forespørgsel, så botten returnerer den nøjagtige formulering i stedet for at generere en ny parafrase, hver gang nogen spørger.
Det har større betydning, end det lyder. En vidensbase skrevet til menneskelig læsning, spredt over fem sammenkædede hjælpeartikler, producerer ikke automatisk ét rent, konsistent botsvar, når AI’en trækker fra alle fem på én gang. Faste Q&A-poster lukker det hul for de få spørgsmål, hvor præcis formulering rent faktisk betyder noget for dit team.
Tilmeld dig vores nyhedsbrev
De nyeste tips og tilbud direkte i din indbakke.
Hvordan konfigurerer du flersproget adfærd?
Chatbotten registrerer automatisk en besøgendes sprog og svarer på det, med understøttelse af over 100 sprog afhængigt af den tilsluttede AI-model. Dette er ikke en indstilling, der skal aktiveres – det fungerer som standard – men det er ikke ensartet på tværs af alle sprog. Der kan være visse begrænsninger for mindre udbredte sprog, da modelkvaliteten for disse sprog varierer fra udbyder til udbyder.
Før du ruller botten ud til et marked med et mindre udbredt sprog, bør du teste den direkte med den faktiske formulering, dine kunder bruger – ikke en direkte oversættelse af dine engelske testspørgsmål. En bogstavelig oversættelse kan fungere, mens en naturlig formulering, som modellen ikke har set lige så ofte, kan give et mærkbart svagere svar.
Hvordan holder du chatbotten lærende efter lancering?
Opsæt LiveAgents selv lærende loop
, så hver gang en eskaleret billet lærer botten noget i stedet for blot at være en engangsløsning. Opret en automatiseringsregel i LiveAgent, der udløses, når en billet er løst og tagget med Update_AI, og send billet-ID’et til FlowHunt via en HTTP-anmodning eller webhook.
Derfra udfører AI-agenten fire trin automatisk: den læser hele billet-tråden for at se, hvad chatbotten missede, sammenligner det med den menneskelige agents faktiske løsning, generaliserer løsningen til en genanvendelig regel frem for et engangssvar og gemmer den som en struktureret hukommelsespost (emne, udløser, forudsætninger, løsning), som chatbotten kan hente ved næste lignende spørgsmål. Personligt identificerbare oplysninger fjernes automatisk, før noget gemmes.
Resultatet akkumulerer. Eskaleringer, dit team løser i uge ét, bliver til viden, botten har i uge to, uden at nogen manuelt skal omskrive en videnskildeartikel.
| Indstilling | Hvor du konfigurerer den | Hvad den styrer |
|---|---|---|
| Påkrævede svar for at starte chat med menneskelig agent | Chatbot-objekt, LiveAgent | Minimum AI-svar før overlevering bliver tilgængelig |
| AI-agent systembesked | AI-agent-komponent, FlowHunt | Tone, persona og hvad botten må/ikke må sige |
| Spørgsmål og svar | FlowHunt | Faste, ord-for-ord-svar på specifikke forespørgsler |
| AI-model | AI-agent-komponent, FlowHunt | Svarstil og sprogdækning |
Update_AI automatiseringsregel | Automatiseringsregler, LiveAgent | Udløser den selv lærende loop på løste billetter |
Hvilke indstillinger skal gennemgås, og hvor ofte
Tjek overlevelsesraten og de specifikke spørgsmål, der udløser eskalering, ugentligt den første måned efter enhver konfigurationsændring, derefter månedligt når mønsteret stabiliserer sig. En stigende overlevelsesrate betyder som regel et videnshul, som den selv lærende loop endnu ikke har lukket – ikke en indstilling, der skal bygges op fra bunden.
Hvis bottens tone afviger fra, hvad systembeskeden angiver, er det et tegn på at genbesøge formuleringen direkte frem for at skifte AI-modeller for at kompensere. Og hvis eskaleringer samler sig omkring ét tilbagevendende emne, er det præcis det signal, Update_AI-tagget er designet til at fange – så sørg for, at dine agenter rent faktisk anvender det, før du antager, at den selv lærende loop ikke virker.
Når overleveringstidspunkt, systembesked, flersproget dækning og den selv lærende regel alle er sat bevidst i stedet for at være efterladt på standardindstillinger, udligner forskellen mellem “botten virker” og “botten virker på den måde, vores team har brug for” sig stort set af sig selv.
