Bruke Datagrafer for kontekstbevisste AI-agenter

Integreringsprosess

Datadiagrammet fungerer som en sanntidskontekstmotor for å fange opp kontekst, spørre mot data og berike profilen.

1. Web Connector SDK fanger opp brukerøkten og overfører IndividualId til agenten.
2. Agenten bruker IndividualId til å spørre datadiagrammet i sanntid.
3. Datadiagrammet returnerer en strukturert atferdsprofil til agentens kontekstvariabler.

Implementeringseksempel: Northern Trail Outfitters (NTO)

Scenario:

På NTOs nettsted åpner en bruker chatten og skriver inn "Jeg trenger turstøvler til en kommende tur". Uten en datadiagram kan agenten bare tilby en generell liste over turstøvler. I og med at NTO har konfigurert et datadiagram basert på tidligere visninger, chatter og handlevognengasjement, vet agenten at denne kunden nylig har gjort XYZ. Agenten svarer:

Based on your interest in the Women's RidgeWalker Pro and the trail running shoes in your cart, I'd recommend the Women's FrostStep Thermal Boot (SKU: 9988776) for $130. It offers the same protection you were looking for, plus insulation for cold trail conditions.

Datagrafstruktur og -utdata

Se gjennom datadiagrammets hierarkiske struktur og JSON-utdataene som gir sanntidskontekst til agenten.

Struktur:

Datadiagrammet organiserer engasjementsdata hierarkisk under Individual-enheten.

Individual
  ├── CatalogEngagement
  ├── CartEngagement
  └── AgentEngagement

JSON-utdata: Denne belastningen representerer dataene som returneres til agenten.

{
  "ssot__Id__c": "abc123",
  "CatalogEngagement__dlm": [
    {
      "catalog_id__c": "PROD001",
      "catalog_interactionName__c": "ViewCatalogObject",
      "eventType__c": "product-view"
    }
  ],
  "AgentEngagement__dlm": [
    {
      "agentEngagement_conversationId__c": "CONV001",
      "eventType__c": "agentEngagement",
      "ssot__ConversationEntry__dlm": [
        {
          "ssot__PayloadText__c": "I'm interested in Sales Cloud pricing"
        }
      ]
    }
  ]
}