Roteamento de intenção

Classifique as requisições recebidas e encaminhe cada uma ao manipulador ideal: lógica determinística, um LLM especialista ou uma pessoa.

Nem toda requisição de usuário precisa do mesmo tipo de manipulador. Algumas podem ser respondidas com uma consulta a banco de dados. Algumas precisam de um LLM com contexto específico do domínio. Algumas precisam de uma pessoa. A TypeSafe pode ficar na frente de todas elas como um classificador rápido e barato que determina qual manipulador invocar.

Exemplo: roteamento de atendimento ao cliente

Vamos imaginar que você está construindo um sistema de atendimento ao cliente. As mensagens chegam e precisam ser encaminhadas ao manipulador certo. Em vez de enviar cada mensagem por um LLM caro para descobrir que tipo de requisição é, você classifica primeiro e encaminha de acordo.

%%{init: {"fontFamily": "Inter, sans-serif", "flowchart": {"rankSpacing": 35, "wrappingWidth": 300, "subGraphTitleMargin": {"top": 12, "bottom": 36}}}}%%
flowchart LR
    message["customer message"]

    subgraph req["TypeSafe evaluates questions<br/>in parallel"]
        direction TB
        intent["<b>Choice:</b> intent"]
        complexity["<b>Score:</b> complexity"]
        %% Invisible links stack the questions; they are answered in parallel.
        intent ~~~ complexity
    end

    message -- "one request<br/>message + 2 questions" --> req
    req -- "one response<br/>2 answers with<br/>confidence" --> confidence{"<b>intent confidence<br/>≥ 0.5?</b><br/>your code"}
    confidence -- "no" --> human["human agent"]
    confidence -- "yes" --> route{"<b>which intent?</b><br/>"}
    route -- "order_status" --> order["order lookup<br/>deterministic code"]
    route -- "product_question" --> product["product specialist LLM"]
    route -- "return_exchange" --> returns["returns specialist LLM"]
    route -- "complaint" --> escalate{"<b>complexity > 1<br/>or its confidence < 0.5?</b><br/>"}
    escalate -- "yes" --> human
    escalate -- "no" --> complaint["complaint resolution LLM"]

Passo 1: classifique intenção e complexidade

{
  "intent": {
    "type": "choice",
    "instructions": "The primary intent of this customer message",
    "criteria": {
      "order_status": "Asking about an existing order",
      "product_question": "Asking about a product before buying",
      "return_exchange": "Wants to return or exchange something",
      "complaint": "Unhappy with experience, wants resolution"
    }
  },
  "complexity": {
    "type": "score",
    "instructions": "How complex is this request to resolve",
    "criteria": [
      "Simple lookup or standard procedure",
      "Requires some judgment or multi-step process",
      "Unusual situation, edge case, or escalation needed"
    ]
  }
}

Passo 2: encaminhe para o manipulador ideal

routing.py

def route_ticket(ticket_id, response):
    intent = response.answers["intent"]
    complexity = response.answers["complexity"]

    if intent.confidence < 0.5:
        # If we don't have enough confidence to classify, route to a human agent
        return route_to_human_agent(ticket_id)

    if intent.choice == "order_status":
        handle_order_status(ticket_id)

    elif intent.choice == "product_question":
        handle_with_llm(ticket_id, PRODUCT_SPECIALIST)

    elif intent.choice == "return_exchange":
        handle_with_llm(ticket_id, RETURNS_SPECIALIST)

    elif intent.choice == "complaint":
        low_confidence = complexity.confidence < 0.5
        # A higher complexity.score leans toward the "escalation needed" end of the scale.
        if complexity.score > 1 or low_confidence:
            # Too complex for safe automation, or we're not sure about the complexity; route to a human.
            route_to_human_agent(ticket_id)
        else:
            handle_with_llm(ticket_id, COMPLAINT_RESOLUTION)

Uma intenção é encaminhada para código determinístico, sem LLM envolvido. Duas são encaminhadas para LLMs especialistas diferentes, cada um carregado com um contexto diferente. Uma usa a pontuação de complexidade para decidir entre um LLM e uma pessoa. A TypeSafe cuida da classificação toda em uma única chamada rápida; os recursos caros só são acionados para as requisições que realmente precisam deles.

Observe a verificação adicional de confiança sobre a pontuação de complexidade. Como discutido em Confiança, é sempre importante considerar o significado de uma pontuação de confiança baixa no contexto do sistema e nas apostas da decisão.