چت‌بات یا Chatbot نرم‌افزاری است که می‌تواند از طریق متن یا صدا با انسان گفت‌وگو کند. بعضی چت‌بات‌ها فقط پاسخ‌های از پیش تعیین‌شده را نمایش می‌دهند، اما نسل جدید آن‌ها با استفاده از مدل‌های زبانی بزرگ، پردازش زبان طبیعی و اطلاعات اختصاصی کسب‌وکار، سؤال کاربر را تحلیل کرده و پاسخ متناسب تولید می‌کنند.

امروزه از چت‌بات هوش مصنوعی در سایت‌های فروشگاهی، سامانه‌های پشتیبانی، اپلیکیشن‌ها، بانک‌ها، مراکز آموزشی، نرم‌افزارهای سازمانی و پیام‌رسان‌ها استفاده می‌شود.

برای مثال، کاربر یک فروشگاه اینترنتی می‌تواند از چت‌بات بپرسد:

برای کار در خانه یک لپ‌تاپ تا ۵۰ میلیون تومان می‌خواهم که سبک باشد و باتری مناسبی داشته باشد.

یک چت‌بات پیشرفته می‌تواند منظور کاربر را تشخیص دهد، اطلاعات محصولات را جست‌وجو کند، گزینه‌های موجود را مقایسه کرده و براساس موجودی و قیمت واقعی فروشگاه پیشنهاد بدهد.

در این مقاله علاوه بر تعریف چت‌بات و بررسی انواع آن، یک نمونه عملی برای ساخت چت‌بات فارسی با پایتون و API درواره پیاده‌سازی می‌کنیم.

چت‌بات چیست؟

چت‌بات برنامه‌ای است که مکالمه با کاربر را از طریق یک رابط گفت‌وگو مدیریت می‌کند. این رابط ممکن است در بخش‌های زیر قرار داشته باشد:

• وب‌سایت
• اپلیکیشن موبایل
• نرم‌افزار دسکتاپ
• پنل سازمانی
• فروشگاه اینترنتی
• پیام‌رسان
• مرکز تماس
• دستگاه هوشمند
• دستیار صوتی

هدف چت‌بات می‌تواند پاسخ‌دادن به سؤالات، راهنمایی کاربر، جمع‌آوری اطلاعات، پیشنهاد محصول یا اجرای یک فرایند مشخص باشد.

طبق توضیح IBM درباره چت‌بات‌ها، این نرم‌افزارها برای شبیه‌سازی مکالمه انسانی طراحی می‌شوند و می‌توانند از قواعد ساده یا فناوری‌های هوش مصنوعی استفاده کنند.

بنابراین هر چت‌باتی الزاماً هوشمند نیست. یک منوی خودکار که از کاربر می‌خواهد یکی از گزینه‌های «فروش»، «پشتیبانی» یا «پیگیری سفارش» را انتخاب کند نیز نوعی چت‌بات محسوب می‌شود.

چت‌بات چگونه کار می‌کند؟

نحوه عملکرد چت‌بات به فناوری و هدف آن بستگی دارد، اما معماری بیشتر چت‌بات‌های هوش مصنوعی از چند بخش اصلی تشکیل می‌شود.

۱. دریافت پیام کاربر

کاربر پیام خود را از طریق سایت، اپلیکیشن یا پیام‌رسان ارسال می‌کند. رابط کاربری پیام را به سرور نرم‌افزار منتقل می‌کند.

۲. تشخیص منظور کاربر

سیستم بررسی می‌کند که کاربر چه می‌خواهد. برای مثال، جمله «سفارشم هنوز نرسیده» می‌تواند به موضوع پیگیری سفارش مرتبط باشد.

در چت‌بات‌های قدیمی این تشخیص براساس کلمات کلیدی یا Intentهای از پیش تعریف‌شده انجام می‌شد. چت‌بات‌های مبتنی بر مدل زبانی می‌توانند منظور جمله‌های متنوع‌تر و محاوره‌ای را نیز تشخیص دهند.

۳. دریافت اطلاعات مرتبط

اگر پاسخ به اطلاعات اختصاصی نیاز داشته باشد، چت‌بات باید داده را از منبع معتبر دریافت کند. این منبع می‌تواند شامل موارد زیر باشد:

• پایگاه دانش
• فایل‌های راهنما
• فهرست محصولات
• CRM
• سیستم مدیریت سفارش
• پایگاه داده
• API نرم‌افزارهای دیگر
• قوانین داخلی سازمان

۴. تولید یا انتخاب پاسخ

چت‌بات براساس پیام کاربر، دستورالعمل سیستم و اطلاعات دریافت‌شده، پاسخ مناسب را انتخاب یا تولید می‌کند.

۵. اعتبارسنجی پاسخ

در یک نرم‌افزار واقعی نباید هر خروجی مدل مستقیماً نمایش داده یا اجرا شود. پاسخ باید از نظر ساختار، مجازبودن عملیات و هماهنگی با قوانین کسب‌وکار بررسی شود.

۶. ثبت نتیجه مکالمه

اطلاعاتی مانند موضوع درخواست، نتیجه پاسخ، نیاز به اپراتور و میزان رضایت کاربر می‌تواند برای بهبود چت‌بات ثبت شود.

انواع چت‌بات

چت‌بات قاعده‌محور

این چت‌بات براساس مجموعه‌ای از قواعد و مسیرهای از پیش تعیین‌شده کار می‌کند.

برای مثال:

1. کاربر گزینه «پیگیری سفارش» را انتخاب می‌کند.
2. ربات شماره سفارش را درخواست می‌کند.
3. وضعیت سفارش از پایگاه داده خوانده می‌شود.
4. نتیجه به کاربر نمایش داده می‌شود.

چت‌بات قاعده‌محور برای فرایندهای ثابت و قابل پیش‌بینی مناسب است، اما در درک سؤال‌هایی که خارج از مسیر طراحی‌شده باشند محدودیت دارد.

چت‌بات مبتنی بر کلمه کلیدی

این نوع ربات وجود کلمات مشخصی را در پیام بررسی می‌کند. برای مثال، اگر کلمه «قیمت» در پیام وجود داشته باشد، پاسخ مربوط به قیمت‌گذاری نمایش داده می‌شود.

مشکل این روش آن است که کلمات مشابه همیشه معنای مشابه ندارند. جمله «قیمت محصول مناسب بود» با «قیمت محصول چقدر است؟» هدف یکسانی ندارد.

چت‌بات مبتنی بر Intent

در این روش، پیام کاربر به یکی از هدف‌های تعریف‌شده طبقه‌بندی می‌شود؛ مانند:

• خرید محصول
• پیگیری سفارش
• درخواست بازگشت وجه
• سؤال فنی
• ارتباط با پشتیبانی

این چت‌بات‌ها معمولاً موجودیت‌هایی مانند شماره سفارش، نام محصول، تاریخ و مبلغ را نیز از متن استخراج می‌کنند.

چت‌بات مبتنی بر مدل زبانی

این نوع چت‌بات از مدل زبانی بزرگ یا LLM برای درک پیام و تولید پاسخ استفاده می‌کند. قابلیت‌های معمول آن عبارت‌اند از:

• درک زبان محاوره‌ای
• پاسخ‌گویی به سؤال‌های چندمرحله‌ای
• خلاصه‌سازی مکالمه
• ترجمه
• استخراج اطلاعات
• تولید پاسخ شخصی‌سازی‌شده
• حفظ زمینه مکالمه
• فراخوانی ابزارها و APIها

این مدل انعطاف بیشتری دارد، اما باید با کنترل خروجی، پایگاه دانش معتبر و قوانین سمت سرور همراه شود.

چت‌بات مبتنی بر RAG

RAG مخفف Retrieval-Augmented Generation است. در این معماری، پیش از تولید پاسخ، اطلاعات مرتبط از اسناد یا پایگاه دانش بازیابی می‌شود.

برای مثال، اگر کاربر درباره شرایط مرجوعی سؤال کند، سیستم ابتدا بخش مرتبط را از قوانین فروشگاه پیدا می‌کند و سپس مدل براساس همان متن پاسخ می‌دهد.

این روش برای ساخت چت‌بات روی اطلاعات اختصاصی شرکت مناسب است. مقاله RAG چیست و چگونه کار می‌کند؟ این معماری را با جزئیات بیشتری توضیح می‌دهد.

چت‌بات تراکنشی

چت‌بات تراکنشی علاوه بر پاسخ‌گویی می‌تواند یک عملیات واقعی انجام دهد؛ برای مثال:

• ثبت درخواست پشتیبانی
• دریافت وضعیت سفارش
• رزرو وقت
• صدور پیش‌فاکتور
• افزودن محصول به سبد خرید
• ثبت سرنخ فروش
• تغییر مشخصات حساب

در این حالت، مدل فقط درخواست را تحلیل می‌کند. عملیات نهایی باید از طریق توابع کنترل‌شده سمت سرور انجام شود.

چت‌بات صوتی

چت‌بات صوتی صدای کاربر را به متن تبدیل می‌کند، درخواست را پردازش کرده و پاسخ را دوباره به صوت تبدیل می‌کند.

این معماری معمولاً از سه سرویس استفاده می‌کند:

1. تبدیل گفتار به متن
2. مدل زبانی یا موتور مکالمه
3. تبدیل متن به گفتار

چت‌بات ترکیبی

در بسیاری از محصولات، بهترین انتخاب ترکیب چند روش است. برای مثال، منوی اصلی و عملیات حساس می‌توانند قاعده‌محور باشند، درحالی‌که مدل زبانی برای پاسخ به سؤالات آزاد استفاده شود.

تفاوت چت‌بات معمولی با چت‌بات هوش مصنوعی

تفاوت چت‌بات با ChatGPT چیست؟

ChatGPT یک محصول گفت‌وگومحور عمومی است، اما چت‌بات یک نوع نرم‌افزار یا قابلیت است که می‌تواند برای هدف مشخصی طراحی شود.

برای مثال، چت‌بات یک فروشگاه ممکن است فقط اجازه داشته باشد:

• درباره محصولات فروشگاه پاسخ دهد.
• وضعیت سفارش را بررسی کند.
• قوانین ارسال و مرجوعی را توضیح دهد.
• درخواست کاربر را به اپراتور منتقل کند.

این چت‌بات می‌تواند در پشت صحنه از یک مدل زبانی استفاده کند، اما رابط، داده‌ها، قوانین و ابزارهای آن متعلق به فروشگاه هستند.

تفاوت چت‌بات با دستیار هوش مصنوعی و AI Agent

این مفاهیم در بعضی محصولات هم‌پوشانی دارند، اما یکسان نیستند.

یک چت‌بات ممکن است فقط جواب بدهد، اما یک Agent می‌تواند تصمیم بگیرد از چه ابزاری استفاده کند، چند مرحله را اجرا کرده و نتیجه را بررسی کند.

کاربردهای چت‌بات هوش مصنوعی

پشتیبانی مشتریان

چت‌بات می‌تواند به پرسش‌های پرتکرار پاسخ دهد، اطلاعات لازم را جمع‌آوری کند و در صورت نیاز مکالمه را همراه با خلاصه آن به اپراتور منتقل کند.

فروشگاه اینترنتی

کاربردهای مهم چت‌بات فروشگاهی عبارت‌اند از:

• راهنمای انتخاب محصول
• مقایسه کالاها
• پاسخ درباره موجودی و ارسال
• پیشنهاد محصول مکمل
• پیگیری سفارش
• توضیح شرایط مرجوعی
• جمع‌آوری اطلاعات خریدار

فروش و بازاریابی

چت‌بات می‌تواند نیاز مشتری را تشخیص دهد، سرنخ فروش را امتیازدهی کند و اطلاعات آن را در CRM ثبت کند.

آموزش

یک چت‌بات آموزشی می‌تواند مفهوم درس را توضیح دهد، تمرین تولید کند، پاسخ دانش‌آموز را بررسی کرده و سطح دشواری سؤال‌های بعدی را تنظیم کند.

نرم‌افزارهای سازمانی

کارکنان می‌توانند درباره آیین‌نامه‌ها، فرایندها و مستندات داخلی سؤال کنند. در این کاربرد بهتر است پاسخ‌ها همراه با منبع ارائه شوند.

محصولات SaaS

چت‌بات می‌تواند کاربر را در راه‌اندازی حساب، استفاده از قابلیت‌ها و رفع خطاهای متداول راهنمایی کند.

منابع انسانی

از چت‌بات می‌توان برای پاسخ به سؤالات عمومی کارکنان، راهنمایی استخدام و جست‌وجو در دستورالعمل‌های سازمان استفاده کرد.

چه زمانی ساخت چت‌بات انتخاب مناسبی است؟

چت‌بات زمانی می‌تواند ارزش واقعی ایجاد کند که:

• تعداد سؤال‌های تکراری زیاد باشد.
• کاربران خارج از ساعات کاری نیز به پاسخ نیاز داشته باشند.
• اطلاعات لازم در منابع مشخصی وجود داشته باشد.
• فرایند قابل اندازه‌گیری باشد.
• امکان انتقال مکالمه به انسان وجود داشته باشد.
• پاسخ سریع روی تجربه کاربر اثر بگذارد.
• درخواست‌ها قابلیت طبقه‌بندی یا خودکارسازی داشته باشند.

اگر اطلاعات سازمان پراکنده، قدیمی یا متناقض باشد، اضافه‌کردن مدل هوش مصنوعی به‌تنهایی مشکل را حل نمی‌کند. ابتدا باید منابع معتبر و فرایند پاسخ‌گویی مشخص شوند.

معماری پیشنهادی برای ساخت چت‌بات هوش مصنوعی

در یک محصول واقعی، مرورگر یا اپلیکیشن نباید مستقیماً به API مدل متصل شود. معماری مناسب‌تر چنین اجزایی دارد:

1. رابط گفت‌وگوی کاربر
2. سرور نرم‌افزار
3. مدیریت نشست و تاریخچه
4. قوانین کسب‌وکار
5. پایگاه دانش یا موتور RAG
6. API مدل هوش مصنوعی
7. ابزارهای داخلی مانند سفارش و CRM
8. اعتبارسنجی پاسخ
9. ثبت مصرف و ارزیابی نتیجه

کلید API باید در سمت سرور نگهداری شود. همچنین موجودی، مبلغ، وضعیت سفارش و اطلاعات مشابه باید از سیستم واقعی دریافت شوند، نه از حافظه مدل.

روش‌های ساخت چت‌بات

استفاده از ابزارهای بدون کدنویسی یا کم‌کد

این روش برای نمونه‌سازی سریع مناسب است. ابزارهایی مانند Dify، Flowise و n8n امکان طراحی گردش کار و اتصال مدل به منابع دیگر را فراهم می‌کنند.

مزیت اصلی این روش سرعت شروع است، اما برای منطق اختصاصی، کنترل عمیق و مقیاس بزرگ ممکن است همچنان به توسعه سمت سرور نیاز داشته باشید.

استفاده از فریم‌ورک‌های مکالمه

Rasa یکی از ابزارهای شناخته‌شده برای توسعه دستیارهای مکالمه‌ای است. مستندات رسمی Rasa مسیرهای استفاده محلی، Python، Docker و اتصال ابزارها را معرفی می‌کند. جزئیات نسخه‌ها و مجوزها را باید از مستندات رسمی Rasa بررسی کنید.

توسعه اختصاصی

در توسعه اختصاصی، رابط کاربری، مدیریت کاربران، پایگاه داده، قوانین و اتصال مدل توسط تیم شما پیاده‌سازی می‌شود.

این روش برای محصولاتی مناسب است که به موارد زیر نیاز دارند:

• تجربه کاربری اختصاصی
• اتصال به سیستم‌های داخلی
• کنترل دقیق دسترسی‌ها
• ثبت هزینه هر کاربر
• چند مدل مختلف
• منطق تجاری پیچیده
• خروجی ساختاریافته
• ارزیابی و گزارش‌گیری اختصاصی

استفاده از API درواره برای ساخت چت‌بات فارسی

درواره دسترسی به مدل‌های مختلف هوش مصنوعی را از طریق یک API یکپارچه و سازگار با OpenAI فراهم می‌کند.

آدرس پایه API درواره:

https://api.darvareh.ir/v1

در این ساختار می‌توانید با یک کلید API و کیف پول ریالی، مدل متناسب با کیفیت، سرعت و هزینه موردنیاز خود را انتخاب کنید.

برای ساخت نمونه زیر به Python 3.10 یا جدیدتر نیاز دارید.

نصب کتابخانه‌ها

pip install openai fastapi uvicorn pydantic

کتابخانه رسمی Python در مخزن OpenAI Python مستند شده است. برای ساخت API سمت سرور نیز از FastAPI استفاده می‌کنیم که براساس توضیحات مستندات رسمی FastAPI یک فریم‌ورک مبتنی بر type hintهای استاندارد پایتون است.

تنظیم متغیرهای محیطی

export DARVAREH_API_KEY="YOUR_API_KEY"
export DARVAREH_MODEL="YOUR_MODEL_ID"

شناسه مدل را از فهرست فعلی مدل‌های درواره انتخاب کنید. بهتر است شناسه مدل در تنظیمات یا متغیر محیطی قرار گیرد تا بعداً بدون تغییر کد قابل تعویض باشد.

ساخت API ساده چت‌بات با FastAPI

import os
from collections import defaultdict

from fastapi import FastAPI, HTTPException
from openai import OpenAI
from pydantic import BaseModel, Field


app = FastAPI(title="Persian AI Chatbot")

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
)

MODEL_ID = os.environ["DARVAREH_MODEL"]

sessions: dict[str, list[dict[str, str]]] = defaultdict(list)


class ChatRequest(BaseModel):
    session_id: str = Field(min_length=3, max_length=100)
    message: str = Field(min_length=1, max_length=4000)


class ChatResponse(BaseModel):
    answer: str


SYSTEM_PROMPT = """
شما دستیار فارسی فروشگاه نمونه هستید.

وظایف مجاز:
- پاسخ به پرسش‌های عمومی درباره محصولات
- توضیح روش‌های ارسال و مرجوعی
- راهنمایی کاربر برای انتخاب محصول
- تشخیص زمانی که کاربر به اپراتور انسانی نیاز دارد

قواعد:
- پاسخ‌ها کوتاه، روشن و محترمانه باشند.
- اطلاعاتی مانند قیمت، موجودی و وضعیت سفارش را حدس نزن.
- اگر اطلاعات کافی وجود ندارد، صریحاً اعلام کن.
- هرگز ادعا نکن عملیاتی انجام شده است مگر نتیجه ابزار سمت سرور
  در اختیار تو قرار گرفته باشد.
- اگر درخواست خارج از وظایف فروشگاه بود، محترمانه محدودیت را توضیح بده.
"""


@app.post("/chat", response_model=ChatResponse)
def chat(request: ChatRequest) -> ChatResponse:
    history = sessions[request.session_id]

    messages = [
        {
            "role": "system",
            "content": SYSTEM_PROMPT,
        },
        *history[-10:],
        {
            "role": "user",
            "content": request.message,
        },
    ]

    try:
        completion = client.chat.completions.create(
            model=MODEL_ID,
            temperature=0.2,
            messages=messages,
        )
    except Exception as error:
        raise HTTPException(
            status_code=502,
            detail="ارتباط با مدل هوش مصنوعی ناموفق بود.",
        ) from error

    answer = completion.choices[0].message.content

    if not answer:
        raise HTTPException(
            status_code=502,
            detail="پاسخی از مدل دریافت نشد.",
        )

    history.extend(
        [
            {
                "role": "user",
                "content": request.message,
            },
            {
                "role": "assistant",
                "content": answer,
            },
        ]
    )

    return ChatResponse(answer=answer)

برنامه را اجرا کنید:

uvicorn main:app --reload

اکنون می‌توانید درخواست آزمایشی بفرستید:

curl -X POST "http://127.0.0.1:8000/chat" \
  -H "Content-Type: application/json" \
  -d '{
    "session_id": "user-1001",
    "message": "برای برنامه‌نویسی یک لپ‌تاپ سبک می‌خواهم. چه مشخصاتی مهم است؟"
  }'

نمونه پاسخ:

{
  "answer": "برای برنامه‌نویسی بهتر است حداقل ۱۶ گیگابایت رم، حافظه SSD و پردازنده چند‌هسته‌ای مناسب انتخاب کنید. اگر حمل‌پذیری مهم است، وزن، شارژدهی و کیفیت نمایشگر را نیز بررسی کنید. اگر بودجه و نرم‌افزارهای مورد استفاده را بگویید، می‌توانم راهنمایی دقیق‌تری ارائه کنم."
}

این نمونه برای آموزش، تاریخچه را در حافظه برنامه نگه می‌دارد. در محیط عملی باید نشست‌ها در پایگاه داده یا سامانه‌ای مانند Redis ذخیره شوند؛ زیرا با راه‌اندازی مجدد برنامه، حافظه موقت پاک می‌شود.

دریافت خروجی ساختاریافته از چت‌بات

اگر نرم‌افزار قرار است براساس پاسخ مدل عملی انجام دهد، متن آزاد کافی نیست. بهتر است مدل علاوه بر جواب کاربر، موضوع پیام و نیاز به اپراتور را نیز در قالب JSON برگرداند.

ساختار پیشنهادی:

from typing import Literal

from pydantic import BaseModel


class BotDecision(BaseModel):
    answer: str
    intent: Literal[
        "product_question",
        "order_tracking",
        "return_request",
        "sales",
        "human_support",
        "other",
    ]
    needs_human: bool
    suggested_action: Literal[
        "reply",
        "ask_order_id",
        "search_products",
        "create_ticket",
        "handoff",
    ]

در پرامپت از مدل بخواهید فقط JSON معتبر مطابق این ساختار تولید کند. سپس پاسخ را پیش از استفاده اعتبارسنجی کنید:

import json
from pydantic import ValidationError


def parse_bot_decision(content: str) -> BotDecision:
    try:
        data = json.loads(content)
        return BotDecision.model_validate(data)
    except (json.JSONDecodeError, ValidationError) as error:
        raise ValueError("خروجی مدل ساختار معتبر ندارد.") from error

برای آشنایی بیشتر با این الگو، مقاله Structured Outputs چیست؟ را مطالعه کنید.

چگونه چت‌بات را به اطلاعات اختصاصی متصل کنیم؟

قرار دادن تمام اطلاعات شرکت داخل پرامپت روش مناسبی نیست. با افزایش تعداد اسناد، ورودی طولانی و پرهزینه می‌شود و یافتن اطلاعات مرتبط نیز دشوارتر خواهد بود.

برای ساخت چت‌بات مبتنی بر پایگاه دانش می‌توان از معماری RAG استفاده کرد:

1. اسناد معتبر جمع‌آوری می‌شوند.
2. متن اسناد به بخش‌های کوچک‌تر تقسیم می‌شود.
3. برای هر بخش Embedding ساخته می‌شود.
4. بردارها در پایگاه داده برداری ذخیره می‌شوند.
5. هنگام دریافت سؤال، بخش‌های مرتبط بازیابی می‌شوند.
6. سؤال و متن‌های بازیابی‌شده برای مدل ارسال می‌شوند.
7. پاسخ همراه با منبع به کاربر نمایش داده می‌شود.

منابع مناسب برای پایگاه دانش عبارت‌اند از:

• راهنمای محصولات
• پرسش‌های متداول
• مستندات فنی
• قوانین ارسال و مرجوعی
• مقالات آموزشی
• دستورالعمل‌های داخلی
• توضیحات خدمات
• قراردادها و آیین‌نامه‌های تأییدشده

اطلاعات دارای تاریخ انقضا، مانند قیمت و موجودی، بهتر است مستقیماً از API یا پایگاه داده عملیاتی دریافت شوند.

اتصال چت‌بات به سفارش، CRM و ابزارهای واقعی

فرض کنید کاربر می‌پرسد:

سفارش ۸۳۲۱ چه زمانی به دستم می‌رسد؟

مدل نباید وضعیت سفارش را حدس بزند. سرور باید ابتدا هویت و دسترسی کاربر را بررسی کرده و سپس تابعی مانند زیر را اجرا کند:

def get_order_status(order_id: str, user_id: str) -> dict:
    order = order_repository.find_for_user(
        order_id=order_id,
        user_id=user_id,
    )

    if not order:
        return {
            "found": False,
            "message": "سفارش پیدا نشد.",
        }

    return {
        "found": True,
        "status": order.status,
        "tracking_code": order.tracking_code,
        "estimated_delivery": order.estimated_delivery,
    }

نتیجه این تابع به مدل داده می‌شود تا پاسخ قابل‌فهمی برای کاربر تولید کند. مدل فقط وظیفه درک درخواست و نگارش پاسخ را بر عهده دارد؛ منبع حقیقت همچنان سیستم سفارش است.

این معماری با مفهوم Function Calling یا Tool Calling ارتباط دارد. برای جزئیات بیشتر می‌توانید راهنمای Function Calling در مدل‌های هوش مصنوعی را بخوانید.

مثال واقعی: چت‌بات فروشگاه اینترنتی

یک چت‌بات فروشگاهی می‌تواند سه سطح قابلیت داشته باشد.

سطح اول: پاسخ به سؤالات عمومی

• روش ارسال چیست؟
• چند روز برای مرجوعی فرصت دارم؟
• امکان پرداخت در محل وجود دارد؟
• ضمانت محصولات چگونه است؟

این پاسخ‌ها می‌توانند از پایگاه دانش دریافت شوند.

سطح دوم: پیشنهاد محصول

• گوشی تا بودجه مشخص
• لپ‌تاپ مناسب برنامه‌نویسی
• کفش مناسب پیاده‌روی
• هدیه برای یک گروه سنی
• محصول جایگزین برای کالای ناموجود

در این مرحله، چت‌بات باید فهرست واقعی محصولات را جست‌وجو کرده و فقط گزینه‌های موجود را پیشنهاد دهد.

سطح سوم: انجام عملیات

• پیگیری سفارش
• ساخت تیکت
• ثبت درخواست مرجوعی
• افزودن محصول به سبد
• رزرو مشاوره
• انتقال به کارشناس فروش

این عملیات باید از طریق APIهای کنترل‌شده انجام شوند و نتیجه هر مرحله در سمت سرور بررسی شود.

چگونه کیفیت چت‌بات را ارزیابی کنیم؟

عبارت «پاسخ‌های چت‌بات خوب است» معیار دقیقی نیست. پیش از انتشار، مجموعه‌ای از پیام‌های واقعی یا شبیه‌سازی‌شده آماده کنید و شاخص‌های مشخصی را اندازه بگیرید.

دقت پاسخ

آیا پاسخ با اطلاعات معتبر سازمان هماهنگ است؟

نرخ حل درخواست

چه درصدی از مکالمات بدون دخالت اپراتور به نتیجه مناسب می‌رسند؟

نرخ انتقال به اپراتور

آیا چت‌بات در زمان مناسب درخواست را به انسان منتقل می‌کند؟

نرخ پاسخ بدون منبع

چند پاسخ شامل ادعاهایی هستند که در اطلاعات بازیابی‌شده وجود ندارند؟

زمان پاسخ

کاربر چه مدت برای دریافت اولین پاسخ و تکمیل مکالمه منتظر می‌ماند؟

هزینه هر مکالمه

هر مکالمه به‌طور متوسط چه میزان توکن و هزینه مصرف می‌کند؟

رضایت کاربر

کاربر پس از مکالمه چه امتیازی به پاسخ می‌دهد؟

موفقیت وظیفه

آیا هدف واقعی، مانند یافتن محصول یا ثبت درخواست، با موفقیت انجام شده است؟

روش‌های کاهش هزینه چت‌بات هوش مصنوعی

از مدل متناسب با وظیفه استفاده کنید

برای طبقه‌بندی ساده پیام‌ها همیشه به قوی‌ترین مدل نیاز ندارید. می‌توان درخواست‌های ساده را به مدل سریع‌تر و اقتصادی‌تر و موارد پیچیده را به مدل قوی‌تر فرستاد.

تاریخچه را محدود کنید

ارسال کل مکالمه در هر درخواست باعث افزایش مصرف می‌شود. پیام‌های قدیمی را خلاصه کنید و فقط بخش مرتبط را نگه دارید.

پاسخ را کوتاه نگه دارید

بیشتر کاربران چت‌بات به پاسخ مستقیم نیاز دارند. محدودکردن طول پاسخ هم تجربه کاربری را بهتر می‌کند و هم مصرف توکن را کاهش می‌دهد.

پاسخ‌های ثابت را کش کنید

پاسخ سؤال‌های پرتکرار می‌تواند برای مدت مشخص ذخیره شود تا درخواست یکسان دوباره پردازش نشود.

ابتدا اطلاعات مرتبط را بازیابی کنید

در معماری RAG فقط چند بخش مرتبط از اسناد را برای مدل ارسال کنید، نه تمام پایگاه دانش را.

مصرف هر قابلیت را جداگانه ثبت کنید

ممکن است پیشنهاد محصول ارزش زیادی ایجاد کند، اما یک قابلیت کم‌استفاده هزینه نامتناسبی داشته باشد. ثبت مصرف به تفکیک قابلیت، تصمیم‌گیری را ساده‌تر می‌کند.

اشتباهات رایج در ساخت چت‌بات

شروع بدون هدف مشخص

«ساخت یک چت‌بات هوشمند» هدف محصول نیست. هدف باید دقیق باشد؛ مانند کاهش سؤال‌های تکراری یا کمک به انتخاب محصول.

سپردن تمام تصمیم‌ها به مدل

قیمت، موجودی، سطح دسترسی و عملیات مالی باید توسط منطق قطعی سرور کنترل شوند.

نداشتن مسیر انتقال به انسان

چت‌بات باید بتواند محدودیت خود را تشخیص دهد و مکالمه را همراه با خلاصه به اپراتور منتقل کند.

استفاده از اطلاعات قدیمی

اگر پایگاه دانش به‌روزرسانی نشود، حتی یک مدل قدرتمند نیز پاسخ نامعتبر تولید خواهد کرد.

ارسال مستقیم درخواست از مرورگر به API مدل

این کار ممکن است کلید API را در اختیار کاربر قرار دهد. تمام درخواست‌ها باید از سرور شما عبور کنند.

ذخیره کل مکالمه بدون هدف

پیش از ذخیره پیام‌ها مشخص کنید چه داده‌ای واقعاً برای بهبود محصول، پشتیبانی یا ادامه نشست لازم است.

نداشتن آزمون ثابت

پس از تغییر مدل یا پرامپت، چت‌بات را روی مجموعه‌ای ثابت از سؤال‌ها ارزیابی کنید تا افت کیفیت پنهان نماند.

عرضه هم‌زمان به تمام کاربران

چت‌بات را ابتدا برای گروه محدودی از کاربران یا یک کاربرد مشخص فعال کنید و پس از بررسی نتایج، دامنه آن را گسترش دهید.

مسیر پیشنهادی ساخت اولین چت‌بات

مرحله اول: انتخاب یک کاربرد

یک مسئله محدود و پرتکرار مانند پاسخ به سؤالات ارسال را انتخاب کنید.

مرحله دوم: جمع‌آوری نمونه مکالمه

حداقل چند ده سؤال واقعی و پاسخ مطلوب را آماده کنید. حالت‌های محاوره‌ای، غلط املایی و سؤال‌های ناقص را نیز در نظر بگیرید.

مرحله سوم: تعیین منبع حقیقت

مشخص کنید پاسخ هر نوع سؤال باید از کدام سند، پایگاه داده یا API دریافت شود.

مرحله چهارم: تعریف محدودیت‌ها

موضوعات مجاز، عملیات قابل اجرا و شرایط انتقال به اپراتور را تعیین کنید.

مرحله پنجم: ساخت نمونه اولیه

یک endpoint سمت سرور بسازید و مدل را از طریق API درواره فراخوانی کنید.

مرحله ششم: ارزیابی چند مدل

مدل‌ها را روی سؤال‌های یکسان از نظر کیفیت فارسی، سرعت، هزینه و ثبات مقایسه کنید.

مرحله هفتم: اتصال به رابط کاربری

ویجت چت سایت یا بخش گفت‌وگوی اپلیکیشن را به سرور متصل کنید.

مرحله هشتم: انتشار محدود

قابلیت را ابتدا برای گروه کوچکی از کاربران فعال کنید.

مرحله نهم: تحلیل مکالمات ناموفق

سؤال‌های بدون پاسخ، انتقال‌های غیرضروری و پاسخ‌های نامعتبر را دسته‌بندی کنید.

مرحله دهم: توسعه تدریجی

پس از اثبات ارزش نسخه اولیه، قابلیت‌هایی مانند RAG، پیشنهاد محصول و اتصال به CRM را اضافه کنید.

پرسش‌های متداول

چت‌بات چیست؟

چت‌بات نرم‌افزاری است که از طریق متن یا صدا با کاربران گفت‌وگو می‌کند. این نرم‌افزار می‌تواند قاعده‌محور یا مبتنی بر مدل‌های هوش مصنوعی باشد.

آیا چت‌بات همان ChatGPT است؟

خیر. ChatGPT یک محصول عمومی گفت‌وگومحور است، اما چت‌بات می‌تواند برای یک سایت، فروشگاه یا فرایند خاص طراحی و به اطلاعات و ابزارهای همان مجموعه متصل شود.

چگونه چت‌بات فارسی بسازیم؟

برای ساخت چت‌بات فارسی به یک رابط کاربری، سرور، مدل مناسب زبان فارسی، دستورالعمل دقیق، مدیریت تاریخچه و در صورت نیاز پایگاه دانش یا APIهای کسب‌وکار نیاز دارید.

آیا ساخت چت‌بات به آموزش مدل اختصاصی نیاز دارد؟

در بسیاری از پروژه‌ها خیر. می‌توان با یک مدل آماده، پرامپت مناسب و معماری RAG شروع کرد. آموزش اختصاصی زمانی بررسی می‌شود که روش‌های ساده‌تر به کیفیت موردنیاز نرسند.

آیا می‌توان بدون برنامه‌نویسی چت‌بات ساخت؟

بله. ابزارهای کم‌کد و بدون کدنویسی برای نمونه‌سازی و بعضی کاربردهای عمومی مناسب‌اند. برای اتصال عمیق به سیستم‌های داخلی معمولاً به توسعه نرم‌افزار نیاز خواهید داشت.

هزینه ساخت چت‌بات چقدر است؟

هزینه به نوع مدل، تعداد پیام‌ها، طول ورودی و خروجی، پایگاه دانش، کانال ارتباطی و پیچیدگی اتصال‌ها بستگی دارد. علاوه بر هزینه API باید هزینه توسعه، نگهداری و ارزیابی را نیز در نظر گرفت.

آیا می‌توان چت‌بات را به سایت متصل کرد؟

بله. معمولاً یک ویجت گفت‌وگو در سایت قرار می‌گیرد و پیام‌ها را به API سمت سرور ارسال می‌کند. سرور نیز درخواست را پردازش کرده و پاسخ را به رابط کاربری بازمی‌گرداند.

چگونه مدل مناسب چت‌بات را انتخاب کنیم؟

چند مدل را روی مجموعه‌ای از پیام‌های واقعی مقایسه کنید. کیفیت فارسی، دقت، سرعت، هزینه، توانایی پیروی از دستور و ثبات خروجی معیارهای مهمی هستند.

آیا چت‌بات می‌تواند سفارش ثبت کند؟

بله، اما مدل نباید مستقیماً و بدون کنترل به پایگاه داده دسترسی داشته باشد. عملیات باید از طریق ابزارها و APIهای محدودشده سمت سرور اجرا و اعتبارسنجی شود.

اگر چت‌بات پاسخ سؤال را نداند چه می‌شود؟

چت‌بات باید به‌جای حدس‌زدن، نبود اطلاعات کافی را اعلام کند، سؤال تکمیلی بپرسد یا درخواست را به اپراتور انسانی منتقل کند.

جمع‌بندی

چت‌بات نرم‌افزاری برای مدیریت مکالمه میان کاربر و یک سیستم است. چت‌بات‌های ساده از منوها و قواعد ثابت استفاده می‌کنند، درحالی‌که چت‌بات‌های هوش مصنوعی می‌توانند زبان طبیعی را درک کرده، اطلاعات مرتبط را بازیابی کنند و پاسخ متناسب تولید کنند.

برای ساخت یک چت‌بات موفق:

1. با یک مسئله مشخص شروع کنید.
2. منابع معتبر پاسخ را تعیین کنید.
3. عملیات واقعی را در سمت سرور کنترل کنید.
4. خروجی مدل را اعتبارسنجی کنید.
5. مسیر انتقال به اپراتور داشته باشید.
6. مدل‌ها را روی داده واقعی مقایسه کنید.
7. کیفیت، هزینه و نتیجه کسب‌وکاری را اندازه بگیرید.
8. قابلیت‌ها را به‌صورت تدریجی توسعه دهید.

درواره امکان دسترسی یکپارچه به مدل‌های مختلف هوش مصنوعی را با API سازگار با OpenAI و پرداخت ریالی فراهم می‌کند. برای شروع می‌توانید کلید API دریافت کرده، مدل مناسب را انتخاب کنید و نمونه اولیه چت‌بات فارسی خود را بسازید.

برای مشاهده جزئیات فنی به مستندات API درواره مراجعه کنید.

مقالات مرتبط

• آموزش ساخت چت‌بات با API درواره
• آموزش افزودن ChatGPT به سایت
• ساخت چت‌بات با Next.js و React
• ساخت چت‌بات هوش مصنوعی واتساپ
• RAG چیست و چگونه کار می‌کند؟
• Function Calling چیست؟
• Structured Outputs چیست؟
• API هوش مصنوعی چیست؟

منابع

• IBM: What Is a Chatbot?
• Rasa Documentation
• FastAPI Documentation
• OpenAI Python Library
• مستندات API درواره

این مقاله صرفاً با هدف آموزش و اطلاع‌رسانی تهیه شده است. پیش از استفاده عملی، مستندات رسمی سرویس‌ها و صفحه سلب مسئولیت را مطالعه کنید.