项目简介
基于 Azure 和 OpenAI GPT 的 AI 驱动的呼叫中心解决方案。
通过一个 API 调用,让 AI 座席拨打电话。或者,直接从配置的电话号码呼叫机器人!
保险、IT 支持、客户服务等等。该机器人可以在几小时(真的)内进行定制以满足您的需求。
## 要求机器人呼叫一个电话号码data='{ "bot_company": "Contoso", "bot_name": "Amélie", "phone_number": "+11234567890", "task": "帮助客户解决数字工作场所问题。助手在 IT 支持部门工作。目标是帮助客户解决问题并在索赔中收集信息。", "Agent_phone_number": "+33612345678", "claim": [ { "name": "hardware_info", "type": "text" }, { "name": "first_seen", "type": "datetime" }, { "name": "building_location", "type": "text" } ]}'curl \ --header 'Content-Type: application/json' \ --request POST \ --url https://xxx/call \ --data $data
功能特性
- 增强的沟通和用户体验:集成呼入和呼出电话,配备专用电话号码,支持多种语言和语音语调,并允许用户通过短信提供或接收信息。对话实时流式传输以避免延迟,可以在断开连接后恢复,并存储以供将来参考。这确保了改进的客户体验,实现 24/7 全天候沟通和处理中低复杂度的呼叫,所有操作都以更易访问和用户友好的方式进行。
- 高级智能和数据管理:利用 gpt-4.1 和 gpt-4.1-nano(以更高性能和 10-15 倍的成本溢价而闻名)来实现细致的理解。它可以讨论私密和敏感数据,包括客户特定信息,同时遵循检索增强生成 (RAG) 最佳实践,以确保安全合规地处理内部文档。该系统理解特定领域术语,遵循结构化的索赔模式,生成自动待办事项列表,过滤不当内容,并检测越狱尝试。历史对话和过去的互动也可以用来微调 LLM,随着时间的推移提高准确性和个性化。Redis 缓存进一步提高了效率。
- 定制化、监督和可扩展性:提供可定制的提示,用于受控实验的功能标志,人工座席回退,以及用于质量保证的呼叫录音。集成 Application Insights 进行监控和跟踪,提供可公开访问的索赔数据,并计划未来的增强功能,如自动回呼和类似 IVR 的工作流。它还支持创建品牌特定的自定义语音,使助手的声音能够反映公司身份并提高品牌一致性。
- 云原生部署和资源管理:在 Azure 上部署,采用容器化、无服务器架构,维护成本低且可弹性扩展。这种方法根据使用情况优化成本,确保长期的灵活性和可负担性。与 Azure 通信服务、认知服务和 OpenAI 资源的无缝集成为快速迭代、持续改进和适应呼叫中心可变工作负载提供了一个安全的环境。
部署
先决条件
推荐使用 GitHub Codespaces 快速入门。 环境将自动设置所有必需的工具。
在 macOS 中,使用 Homebrew,只需输入 make brew。
对于其他系统,请确保已安装以下内容:
- Azure CLI
- Twilio CLI (可选)
- yq
- Bash 兼容的 shell,例如
bash或zsh - Make,
apt install make(Ubuntu),yum install make(CentOS),brew install make(macOS)
然后,需要 Azure 资源:
1. 创建新的资源组
- 建议使用小写字母,除破折号外无特殊字符(例如
ccai-customer-a)
2. 创建通信服务资源
- 名称与资源组相同
- 启用系统托管标识
3. 购买电话号码
- 从通信服务资源购买
- 允许入站和出站通信
- 启用语音(必需)和短信(可选)功能
现在先决条件(本地 + Azure)已配置完成,可以进行部署了。
远程(在 Azure 上)
GitHub Actions 上提供了预构建的容器镜像,将用于在 Azure 上部署解决方案:
- 来自分支的最新版本:
ghcr.io/clemlesne/call-center-ai:main - 特定标签:
ghcr.io/clemlesne/call-center-ai:0.1.0(推荐)
1. 创建轻量配置文件
根据 config-remote-example.yaml 中的示例填写模板。该文件应放置在项目根目录下,名为 config.yaml。它将由安装脚本(包括 Makefile 和 Bicep)用于配置 Azure 资源。
2. 连接到您的 Azure 环境
az login
3. 运行部署自动化
[!TIP] 在
image_version参数下指定发布版本(默认为main)。例如,image_version=16.0.0或image_version=sha-7ca2c0c。这将确保未来任何项目的破坏性更改不会影响您的部署。
make deploy name=my-rg-name
等待部署完成。
4. 获取日志
make logs name=my-rg-name
本地(在您的机器上)
1. 先决条件
如果您在第一个安装部分跳过了 make brew 命令,请确保已安装以下内容:
- Rust
- uv
最后,运行 make install 来设置 Python 环境。
2. 创建完整配置文件
如果应用程序已部署在 Azure 上,您可以运行 make name=my-rg-name sync-local-config 将配置从远程复制到本地机器。
[!TIP] 要使用服务主体向 Azure 进行身份验证,您还可以在
.env文件中添加以下内容:
AZURE_CLIENT_ID=xxxAZURE_CLIENT_SECRET=xxxAZURE_TENANT_ID=xxx
如果解决方案尚未在线运行,请根据 config-local-example.yaml 中的示例填写模板。该文件应放置在项目根目录下,名为 config.yaml。
3. 运行部署自动化
如果解决方案尚未部署在 Azure 上,则执行此步骤。
make deploy-bicep deploy-post name=my-rg-name
- 这将部署 Azure 资源但不包括 API 服务器,允许您在本地测试机器人
- 等待部署完成
4. 连接到 Azure Dev 隧道
[!IMPORTANT] 隧道需要在单独的终端中运行,因为它需要一直运行
## 登录一次devtunnel login# 启动隧道make tunnel
5. 快速迭代代码
[!NOTE] 要覆盖特定的配置值,您可以使用环境变量。例如,要覆盖
llm.fast.endpoint值,您可以使用LLM__FAST__ENDPOINT变量:
LLM__FAST__ENDPOINT=https://xxx.openai.azure.com[!NOTE] 此外,
local.py脚本可用于测试应用程序,无需电话呼叫(即无需通信服务)。使用以下命令运行脚本:
python3 -m tests.local
make dev
- 代码在文件更改时自动重新加载,无需重启服务器
- API 服务器可在
http://localhost:8080访问
高级用法
启用通话录音
通话录音默认禁用。要启用它:
- 在 Azure 存储帐户中创建一个新容器(例如
recordings),如果您已在 Azure 上部署了解决方案,则此步骤已完成 - 将应用配置中的功能标志
recording_enabled更新为true