ساخت Knowledge Base با n8n

مقدمه

تیم‌های پشتیبانی معمولاً با حجم زیادی از اطلاعات پراکنده سروکار دارند؛ از راهنماهای استفاده از محصول و سوالات متداول گرفته تا مستندات فنی، قوانین خدمات، دستورالعمل‌های داخلی و پاسخ‌های ثبت‌شده در تیکت‌ها. وقتی این اطلاعات در فایل‌های مختلف ذخیره شده باشند، پیدا کردن پاسخ مناسب برای هر درخواست می‌تواند زمان زیادی از کارشناسان پشتیبانی بگیرد.

اینجاست که Knowledge Base یا پایگاه دانش هوشمند می‌تواند فرایند پشتیبانی را متحول کند. به جای اینکه کارشناس برای پیدا کردن پاسخ، چندین فایل و مستند را بررسی کند، می‌توان سیستمی ساخت که سؤال را دریافت کرده، اطلاعات مرتبط را از میان اسناد پیدا کند و پاسخ مناسب را در اختیار کارشناس یا مشتری قرار دهد.

با ترکیب n8n، هوش مصنوعی و معماری RAG می‌توان چنین سیستمی را بدون توسعه یک نرم‌افزار پیچیده از ابتدا ایجاد کرد. در این معماری، مستندات سازمان به یک منبع دانش قابل جست‌وجو تبدیل می‌شوند و مدل هوش مصنوعی تنها بر اساس اطلاعات مرتبط بازیابی‌شده پاسخ تولید می‌کند.

نکته: برای مشاهده ساختار کامل این ورک‌فلو و دانلود فایل JSON، مقاله [استخراج متن از PDF با n8n] را مطالعه کنید.

در این مقاله بررسی می‌کنیم که چگونه می‌توان یک Knowledge Base برای تیم پشتیبانی طراحی کرد، چه اجزایی برای آن لازم است و n8n چگونه می‌تواند فرایند ورود، پردازش و جست‌وجوی اطلاعات را خودکار کند.

N8N برای چه کسب و کارهایی مناسب است:

اگر سازمان شما کوچک می باشد و هم اکنون بسیاری از کار های خود را با نرم افزار هایی همچون اکسل انجام می دهید، N8N برای کسب و کار شما ایده آل است و در صورتی که کسب و کاری متوسط یا بزرگ دارید می توانید بخش های بسیاری از فرایند های غیر کلیدی خود را با این ابزار هوشمند کنید.
اگر به پیاده‌سازی اختصاصی، اتصال n8n به نرم‌افزارهای سازمانی یا سفارشی‌سازی Workflowها متناسب با کسب‌وکارتان نیاز دارید، Danix با بررسی نیازهای کسب‌وکار شما، می‌تواند این فرایند را از طراحی تا استقرار برای شما انجام دهیم.

برای کسب و کارهای کوچک به این لینک مراجعه کنید و برای کسب و کارهای بزرگ و متوسط میتوانید از این لینک استفاده نمایید.
همچنین اگر ترجیح می‌دهید شخصاً نصب و راه‌اندازی را انجام دهید، می‌توانید از اطلاعات موجود در مقالات، دسته N8N استفاده کنید .همچنین می توانید template موجود در این workflow را به صورت رایگان از این قسمت دانلود کنید.

پسوورد فایل فشرده: danixai.com

Knowledge Base برای تیم پشتیبانی چیست؟

Knowledge Base مجموعه‌ای ساختاریافته از اطلاعاتی است که تیم پشتیبانی برای پاسخ‌گویی به درخواست‌های کاربران به آن نیاز دارد.

این اطلاعات می‌تواند شامل موارد زیر باشد:

• راهنمای استفاده از محصولات
• مستندات فنی
• سوالات متداول کاربران
• دستورالعمل‌های داخلی شرکت
• قوانین و شرایط خدمات
• راهنمای رفع خطاها
• مستندات API
• اطلاعات مربوط به فرایندهای سازمانی
• پاسخ‌های استاندارد به مشکلات رایج

در یک Knowledge Base سنتی، کارشناس باید خودش اطلاعات موردنظر را جست‌وجو کند. اما در یک Knowledge Base هوشمند، کاربر می‌تواند سؤال خود را با زبان طبیعی مطرح کند و سیستم مرتبط‌ترین اطلاعات را پیدا کند.

برای مثال، به جای جست‌وجوی عبارت:

«خطای پرداخت ناموفق»

کارشناس می‌تواند بپرسد:

«اگر مشتری هنگام پرداخت با خطای ناموفق مواجه شود، چه مراحلی را باید انجام دهد؟»

سیستم مفهوم سؤال را درک کرده و بخش‌های مرتبط مستندات را بازیابی می‌کند.

چرا تیم‌های پشتیبانی به Knowledge Base هوشمند نیاز دارند؟

یکی از مشکلات اصلی تیم‌های پشتیبانی، پراکندگی دانش سازمانی است.

ممکن است اطلاعات موردنیاز در چندین منبع مختلف قرار داشته باشد:

• Google Drive
• فایل‌های PDF
• Word
• Excel
• سیستم مدیریت مستندات
• صفحات داخلی شرکت
• مستندات فنی
• تیکت‌های قبلی

در چنین شرایطی، حتی اگر اطلاعات وجود داشته باشد، پیدا کردن آن همیشه ساده نیست.

یک Knowledge Base هوشمند می‌تواند این مشکل را کاهش دهد و مزایایی مانند موارد زیر ایجاد کند:

کاهش زمان پاسخ‌گویی

کارشناس به جای جست‌وجوی دستی میان فایل‌ها، سؤال خود را مستقیماً وارد سیستم می‌کند و پاسخ مرتبط را دریافت می‌کند.

افزایش یکپارچگی پاسخ‌ها

وقتی پاسخ‌ها بر اساس یک منبع دانش مشخص تولید شوند، احتمال ارائه پاسخ‌های متفاوت توسط کارشناسان کاهش پیدا می‌کند.

دسترسی سریع به دانش سازمانی

اطلاعاتی که قبلاً فقط در اختیار کارشناسان باتجربه بوده، می‌تواند در اختیار اعضای جدید تیم نیز قرار بگیرد.

کاهش فشار روی تیم پشتیبانی

سؤالات تکراری را می‌توان به‌صورت خودکار پاسخ داد و کارشناسان را روی مسائل پیچیده‌تر متمرکز کرد.

معماری Knowledge Base هوشمند چگونه کار می‌کند؟

برای ساخت چنین سیستمی، یکی از معماری‌های مناسب RAG یا Retrieval-Augmented Generation است.

در این روش، مدل هوش مصنوعی قرار نیست تمام مستندات شرکت را به‌صورت دائمی در حافظه خود داشته باشد. در عوض، هنگام دریافت سؤال، ابتدا اطلاعات مرتبط از Knowledge Base بازیابی می‌شود و سپس این اطلاعات در اختیار مدل زبانی قرار می‌گیرد.

فرایند کلی را می‌توان به شکل زیر در نظر گرفت:

مستندات → استخراج متن → تقسیم‌بندی → Embedding → Vector Database → جست‌وجوی معنایی → بازیابی اطلاعات → مدل زبانی → پاسخ

این معماری باعث می‌شود سیستم بتواند بر اساس اطلاعات اختصاصی شرکت پاسخ تولید کند.

مراحل ساخت Knowledge Base برای تیم پشتیبانی با n8n

۱. جمع‌آوری مستندات 

ابتدا باید منابع اطلاعاتی تیم پشتیبانی مشخص شوند.

برای مثال:

• فایل‌های PDF
• فایل‌های Word
• مستندات محصول
• FAQ
• راهنمای داخلی
• مستندات فنی
• دستورالعمل‌های حل مشکل
• فایل‌های موجود در Google Drive

در این مرحله بهتر است مشخص شود کدام اسناد معتبر هستند و چه کسی مسئول به‌روزرسانی آن‌هاست.

۲. استخراج متن از فایل‌ها در ساخت Knowledge Base با n8n

فایل‌های PDF یا سایر منابع باید به متنی تبدیل شوند که سیستم هوش مصنوعی بتواند آن را پردازش کند.

برای مثال، یک فایل PDF ممکن است شامل موارد زیر باشد:

عنوان: خطای پرداخت

 :علت
.عدم موفقیت ارتباط با درگاه پرداخت

:راه‌حل
وضعیت تراکنش را بررسی کنید
شماره پیگیری را دریافت کنید
در صورت عدم ثبت تراکنش، پرداخت مجدداً انجام شود

این محتوا پس از استخراج می‌تواند وارد مرحله پردازش شود.

۳. تقسیم مستندات به Chunk در ساخت Knowledge Base با n8n

قرار دادن یک فایل بسیار بزرگ به‌صورت یکجا در سیستم جست‌وجو معمولاً روش مناسبی نیست.

به همین دلیل، متن به قسمت‌های کوچک‌تر یا Chunk تقسیم می‌شود.

برای مثال:

Chunk 1:
روش ثبت سفارش

Chunk 2:
روش لغو سفارش

Chunk 3:
شرایط بازگشت وجه

Chunk 4:
رفع خطای پرداخت

اندازه Chunk باید با نوع مستندات تنظیم شود. Chunkهای بیش از حد بزرگ ممکن است اطلاعات نامرتبط زیادی را همراه نتیجه بیاورند و Chunkهای بیش از حد کوچک نیز ممکن است ارتباط معنایی متن را از بین ببرند.

تبدیل مستندات به Embedding در ساخت Knowledge Base با n8n

پس از تقسیم متن، هر Chunk به یک نمایش عددی یا Embedding تبدیل می‌شود.

Embedding به سیستم اجازه می‌دهد ارتباط معنایی بین متن‌ها را بهتر تشخیص دهد.

برای مثال، ممکن است کاربر سؤال زیر را وارد کند:

«چطور مبلغ پرداخت ناموفق مشتری را برگردانیم؟»

در حالی که مستندات شرکت عبارت «بازگشت وجه تراکنش ناموفق» را داشته باشند.

جست‌وجوی ساده کلمه‌ای ممکن است این دو عبارت را کاملاً مشابه تشخیص ندهد؛ اما جست‌وجوی معنایی مبتنی بر Embedding می‌تواند ارتباط میان آن‌ها را پیدا کند.

ذخیره‌سازی در Vector Database در ساخت Knowledge Base با n8n

Embeddingها باید در یک پایگاه داده برداری ذخیره شوند تا امکان جست‌وجوی سریع میان آن‌ها وجود داشته باشد.

در Workflowهای مبتنی بر RAG می‌توان از سرویس‌هایی مانند Pinecone یا سایر Vector Databaseها استفاده کرد.

ساختار داده می‌تواند مفهومی شبیه این داشته باشد:

Document ID
    ↓
Chunk
    ↓
Embedding
    ↓
Metadata

Metadata نیز اهمیت زیادی دارد. برای مثال می‌توان اطلاعاتی مانند موارد زیر را همراه هر Chunk ذخیره کرد:

• نام فایل
• دسته‌بندی سند
• تاریخ به‌روزرسانی
• شماره نسخه
• نوع سند
• واحد سازمانی

این اطلاعات بعداً برای فیلتر کردن نتایج بسیار مفید خواهند بود.

جست‌وجوی هوشمند در Knowledge Base در ساخت Knowledge Base با n8n

زمانی که کارشناس پشتیبانی سؤال خود را وارد می‌کند، سیستم ابتدا سؤال را به Embedding تبدیل می‌کند.

سپس Vector Database نزدیک‌ترین بخش‌های مستندات را پیدا می‌کند.

برای مثال:

سؤال:

«مشتری چرا نمی‌تواند رمز عبور خود را تغییر دهد؟»

سیستم ممکن است سه بخش مرتبط را پیدا کند:

1. شرایط تغییر رمز عبور
2. خطاهای مربوط به رمز عبور
3. فرآیند بازیابی حساب کاربری

این اطلاعات به عنوان Context در اختیار مدل زبانی قرار می‌گیرند.

نقش مدل زبانی در Knowledge Base در ساخت Knowledge Base با n8n

مدل زبانی وظیفه دارد اطلاعات بازیابی‌شده را درک کرده و یک پاسخ قابل استفاده تولید کند.

یک Prompt مناسب می‌تواند مدل را مجبور کند که فقط بر اساس اطلاعات موجود در Context پاسخ دهد.

برای مثال:

شما دستیار تیم پشتیبانی هستید.

پاسخ را فقط بر اساس اطلاعات موجود در مستندات ارائه کنید.
اگر پاسخ در مستندات وجود ندارد، اعلام کنید که اطلاعات کافی در Knowledge Base موجود نیست.

Context:
{{retrieved_documents}}

Question:
{{user_question}}

این رویکرد می‌تواند احتمال تولید اطلاعات ساختگی یا Hallucination را کاهش دهد.

ساخت Workflow با n8n در ساخت Knowledge Base با n8n

n8n می‌تواند نقش هماهنگ‌کننده این فرایند را بر عهده بگیرد.

یک Workflow منطقی برای ساخت Knowledge Base می‌تواند شامل دو مسیر اصلی باشد.

مسیر اول: ورود اطلاعات به Knowledge Base در ساخت Knowledge Base با n8n

Trigger
↓
دریافت فایل
↓
استخراج متن
↓
Text Splitter
↓
Embedding
↓
Vector Database

این مسیر زمانی اجرا می‌شود که یک سند جدید اضافه یا یک سند قدیمی به‌روزرسانی شود.

مسیر دوم: پاسخ‌گویی به سؤال در ساخت Knowledge Base با n8n

Chat Trigger
↓
دریافت سؤال
↓
Embedding Query
↓
Vector Search
↓
بازیابی Context
↓
LLM
↓
پاسخ

در نتیجه، n8n می‌تواند اتصال میان منابع اطلاعاتی، مدل هوش مصنوعی و پایگاه داده برداری را مدیریت کند.

Nodeهای مهم در Workflow در ساخت Knowledge Base با n8n

File Source در ساخت Knowledge Base با n8n

برای دریافت مستندات از منابعی مانند فضای ذخیره‌سازی ابری استفاده می‌شود.

وظیفه: دریافت فایل و ارسال آن برای پردازش.

Document Loader در ساخت Knowledge Base با n8n

محتوای فایل را به داده قابل پردازش تبدیل می‌کند.

وظیفه: استخراج متن از مستندات.

Text Splitter در ساخت Knowledge Base با n8n

متن را به Chunkهای کوچک‌تر تقسیم می‌کند.

وظیفه: آماده‌سازی داده برای Embedding و Retrieval.

Embeddings در ساخت Knowledge Base با n8n

متن را به بردارهای عددی تبدیل می‌کند.

وظیفه: فراهم کردن امکان جست‌وجوی معنایی.

Vector Store در ساخت Knowledge Base با n8n

Embeddingها و اطلاعات مربوط به Chunkها را ذخیره می‌کند.

وظیفه: ایجاد پایگاه دانش قابل جست‌وجو.

Retriever در ساخت Knowledge Base با n8n

در زمان دریافت سؤال، مرتبط‌ترین بخش‌های Knowledge Base را پیدا می‌کند.

وظیفه: بازیابی Context مناسب.

Chat Model در ساخت Knowledge Base با n8n

اطلاعات بازیابی‌شده و سؤال کاربر را دریافت می‌کند.

وظیفه: تولید پاسخ نهایی.

Chat Trigger در ساخت Knowledge Base با n8n

تعامل کاربر با سیستم را آغاز می‌کند.

وظیفه: دریافت سؤال کارشناس یا مشتری.

چگونه Knowledge Base را برای تیم پشتیبانی بهتر کنیم؟

ساخت اولیه سیستم تنها مرحله اول است. کیفیت پاسخ‌ها تا حد زیادی به کیفیت Knowledge Base بستگی دارد.

مستندات قدیمی را حذف یا نسخه‌بندی کنید در ساخت Knowledge Base با n8n

اگر چند نسخه از یک دستورالعمل در سیستم وجود داشته باشد، ممکن است Retriever اطلاعات قدیمی را نیز بازیابی کند.

بهتر است برای هر سند مواردی مانند:

• نسخه
• تاریخ انتشار
• تاریخ آخرین تغییر
• وضعیت فعال یا غیرفعال

ذخیره شود.

Metadata را جدی بگیرید در ساخت Knowledge Base با n8n

فرض کنید شرکت چند محصول دارد. بهتر است هر سند مشخص کند متعلق به کدام محصول است.

مثلاً:

product = CRM
department = support
version = 2.4
language = fa

سپس می‌توان قبل از جست‌وجو، نتایج را بر اساس این Metadata محدود کرد.

Prompt را متناسب با پشتیبانی طراحی کنید در ساخت Knowledge Base با n8n

دستیار پشتیبانی نباید مانند یک چت‌بات عمومی رفتار کند.

بهتر است مشخص شود:

• چه لحنی داشته باشد.
• چه اطلاعاتی را ارائه کند.
• در صورت نبود پاسخ چه کاری انجام دهد.
• چه مواردی را به کارشناس انسانی ارجاع دهد.
• آیا منبع پاسخ را نمایش دهد یا خیر.

مزایای ساخت Knowledge Base با هوش مصنوعی

یک Knowledge Base هوشمند می‌تواند مزایای قابل توجهی برای تیم پشتیبانی داشته باشد:

• کاهش زمان جست‌وجوی اطلاعات
• افزایش سرعت پاسخ‌گویی
• دسترسی یکپارچه به مستندات
• کاهش پاسخ‌های اشتباه
• ساده‌تر شدن آموزش نیروهای جدید
• استفاده مجدد از دانش سازمانی
• امکان پاسخ‌گویی ۲۴ ساعته
• کاهش سؤالات تکراری از کارشناسان
• امکان اتصال به سیستم‌های مختلف
• قابلیت توسعه به چت‌بات مشتریان

کاربردهای عملی Knowledge Base هوشمند در ساخت Knowledge Base با n8n

این سیستم فقط برای پاسخ‌گویی به سؤالات ساده کاربرد ندارد.

پشتیبانی فنی در ساخت Knowledge Base با n8n

کارشناس می‌تواند خطای مشاهده‌شده را وارد کند و راهکارهای مرتبط با آن را دریافت کند.

پشتیبانی محصولات در ساخت Knowledge Base با n8n

اطلاعات چندین محصول می‌تواند در یک پایگاه دانش متمرکز قرار بگیرد.

آموزش کارشناسان جدید در ساخت Knowledge Base با n8n

نیروهای جدید می‌توانند به جای مراجعه مداوم به کارشناسان باتجربه، پاسخ سؤالات خود را از Knowledge Base دریافت کنند.

دستیار داخلی سازمان در ساخت Knowledge Base با n8n

همین معماری می‌تواند برای بخش‌های منابع انسانی، فروش، فنی و مالی نیز استفاده شود.

خطاهای رایج در ساخت Knowledge Base

پاسخ‌های نامرتبط در ساخت Knowledge Base با n8n

علت‌های احتمالی:

• Chunk Size نامناسب
• Embedding ضعیف
• مستندات نامرتب
• Retrieval نادرست
• تعداد نامناسب نتایج بازیابی‌شده

راهکار: کیفیت Chunkها و فرآیند Retrieval را بررسی کنید.

پاسخ ساختگی توسط مدل در ساخت Knowledge Base با n8n

اگر اطلاعات کافی در Context وجود نداشته باشد، مدل ممکن است پاسخ احتمالی تولید کند.

راهکار: در Prompt مشخص کنید که مدل فقط بر اساس مستندات پاسخ دهد و در صورت نبود اطلاعات، عدم وجود پاسخ را اعلام کند.

بازیابی اطلاعات قدیمی در ساخت Knowledge Base با n8n

ممکن است نسخه جدید سند وارد سیستم شده باشد اما نسخه قبلی نیز در Vector Database باقی مانده باشد.

راهکار: برای اسناد نسخه‌بندی ایجاد کنید و هنگام به‌روزرسانی، داده قبلی را مدیریت کنید.

افزایش هزینه پردازش در ساخت Knowledge Base با n8n

اگر تمام فایل‌ها در هر اجرا مجدداً پردازش شوند، مصرف API و زمان اجرای Workflow افزایش پیدا می‌کند.

راهکار: فقط فایل‌های جدید یا تغییرکرده را پردازش کنید.

امنیت Knowledge Base را فراموش نکنید در ساخت Knowledge Base با n8n

مستندات شرکت ممکن است حاوی اطلاعات محرمانه باشند. بنابراین قبل از پیاده‌سازی باید سطح دسترسی مشخص شود.

برخی اقدامات مهم عبارت‌اند از:

• نگهداری امن API Keyها
• محدود کردن دسترسی کاربران
• تفکیک اطلاعات واحدهای سازمانی
• حذف اطلاعات حساس غیرضروری
• ثبت لاگ درخواست‌ها در صورت نیاز
• جلوگیری از نمایش اسناد غیرمجاز به کاربران
• تعریف سطح دسترسی برای منابع مختلف

برای مثال، کارشناس فروش نباید الزاماً به تمام مستندات فنی داخلی دسترسی داشته باشد.

چه زمانی استفاده از Knowledge Base هوشمند مناسب است؟

اگر تیم شما با حجم زیادی از مستندات و سؤالات تکراری مواجه است، این معماری می‌تواند گزینه مناسبی باشد.

به‌خصوص اگر:

• تعداد اسناد زیاد است.
• اطلاعات در چند منبع پراکنده شده‌اند.
• کارشناسان زمان زیادی برای جست‌وجوی پاسخ صرف می‌کنند.
• پاسخ‌های تکراری زیادی وجود دارد.
• آموزش نیروهای جدید زمان‌بر است.
• مستندات مرتباً تغییر می‌کنند.
• قصد دارید در آینده چت‌بات پشتیبانی ایجاد کنید.

جمع‌بندی

ساخت Knowledge Base برای تیم پشتیبانی با کمک هوش مصنوعی می‌تواند نحوه دسترسی سازمان به دانش داخلی را تغییر دهد. به جای اینکه اطلاعات در فایل‌ها و سیستم‌های مختلف پراکنده باقی بمانند، می‌توان آن‌ها را به یک منبع دانش قابل جست‌وجو تبدیل کرد.

با استفاده از معماری RAG، مستندات ابتدا پردازش و به Embedding تبدیل می‌شوند، سپس در Vector Database قرار می‌گیرند. هنگام دریافت سؤال نیز سیستم مرتبط‌ترین اطلاعات را بازیابی کرده و در اختیار مدل زبانی قرار می‌دهد.

استفاده از n8n در این معماری باعث می‌شود بخش زیادی از فرایند اتصال منابع داده، پردازش اسناد، جست‌وجوی معنایی و تولید پاسخ به‌صورت Workflow قابل مدیریت باشد.

در نهایت، کیفیت چنین سیستمی فقط به انتخاب مدل هوش مصنوعی وابسته نیست؛ کیفیت مستندات، نحوه Chunk کردن، Metadata، Retrieval و طراحی Prompt همگی نقش مهمی در دقت پاسخ نهایی دارند.

GIT