Objectif : terminer automatiquement les conversations lorsque les conditions appropriées sont réunies.

Conditions de déclenchement : le LLM doit appeler cet outil lorsque :

• La tâche principale est terminée et l’utilisateur est satisfait
• La conversation atteint une conclusion naturelle, d’un commun accord
• L’utilisateur indique explicitement vouloir terminer la conversation

Paramètres :

• reason (chaîne, obligatoire) : la raison de la fin de l’appel
• message (chaîne, facultatif) : un message d’au revoir à envoyer à l’utilisateur avant de terminer l’appel

Format d’appel de fonction :

{
  "type": "function",
  "function": {
    "name": "end_call",
    "arguments": "{\"reason\": \"Task completed successfully\", \"message\": \"Thank you for using our service. Have a great day!\"}"
  }
}

Implémentation : configurez cet outil comme outil système dans les paramètres de votre agent. Le LLM recevra des instructions détaillées sur le moment où appeler cette fonction.

En savoir plus : outil de fin d’appel

Objectif : passer automatiquement à la langue détectée de l’utilisateur pendant les conversations.

Conditions de déclenchement : le LLM doit appeler cet outil lorsque :

• L’utilisateur parle dans une langue différente de la langue actuelle de la conversation
• L’utilisateur demande explicitement à changer de langue
• La conversation nécessite une prise en charge multilingue

Paramètres :

• reason (chaîne, obligatoire) : la raison du changement de langue
• language (chaîne, obligatoire) : le code de la langue vers laquelle passer, qui doit figurer dans la liste des langues prises en charge

Format d’appel de fonction :

{
  "type": "function",
  "function": {
    "name": "language_detection",
    "arguments": "{\"reason\": \"User requested Spanish\", \"language\": \"es\"}"
  }
}

Implémentation : configurez les langues prises en charge dans les paramètres de l’agent et ajoutez l’outil système de détection de la langue. L’agent adaptera automatiquement sa voix et ses réponses aux langues détectées.

En savoir plus : outil de détection de la langue

Objectif : transférer les conversations entre agents IA spécialisés selon les besoins de l’utilisateur.

Conditions de déclenchement : le LLM doit appeler cet outil lorsque :

• La demande de l’utilisateur nécessite des connaissances spécialisées ou des capacités d’agent différentes
• L’agent actuel ne peut pas traiter la demande de manière adéquate
• Le flux de la conversation indique qu’un autre type d’agent est nécessaire

Paramètres :

• reason (chaîne, facultatif) : la raison du transfert d’agent
• agent_number (entier, obligatoire) : le numéro, indexé à partir de zéro, de l’agent vers lequel transférer la conversation, selon les règles de transfert configurées

Format d’appel de fonction :

{
  "type": "function",
  "function": {
    "name": "transfer_to_agent",
    "arguments": "{\"reason\": \"User needs billing support\", \"agent_number\": 0}"
  }
}

Implémentation : définissez des règles de transfert associant des conditions à des identifiants d’agent spécifiques. Configurez les agents vers lesquels l’agent actuel peut transférer la conversation. Les agents sont référencés par des numéros indexés à partir de zéro dans la configuration de transfert.

En savoir plus : outil de transfert d’agent

Objectif : transférer de manière fluide les conversations à des intervenants humains lorsque l’assistance IA ne suffit pas.

Conditions de déclenchement : le LLM doit appeler cet outil lorsque :

• Des problèmes complexes nécessitent un jugement humain
• L’utilisateur demande explicitement une assistance humaine
• L’IA atteint les limites de ses capacités pour la demande spécifique
• Des protocoles d’escalade sont déclenchés

Paramètres :

• reason (chaîne, facultatif) : la raison du transfert
• transfer_number (chaîne, obligatoire) : le numéro de téléphone vers lequel transférer l’appel, qui doit correspondre à l’un des numéros configurés
• client_message (chaîne, obligatoire) : message lu au client pendant l’attente du transfert
• agent_message (chaîne, obligatoire) : message destiné à l’intervenant humain qui reçoit l’appel

Format d’appel de fonction :

{
  "type": "function",
  "function": {
    "name": "transfer_to_number",
    "arguments": "{\"reason\": \"Complex billing issue\", \"transfer_number\": \"+15551234567\", \"client_message\": \"I'm transferring you to a billing specialist who can help with your account.\", \"agent_message\": \"Customer has a complex billing dispute about order #12345 from last month.\"}"
  }
}

Implémentation : configurez les numéros de téléphone et les conditions de transfert. Définissez des messages pour le client et pour l’intervenant humain qui reçoit l’appel. Fonctionne avec Twilio et le trunking SIP.

En savoir plus : outil de transfert vers un intervenant humain

Objectif : permettre à l’agent de faire une pause et d’attendre la saisie de l’utilisateur sans parler.

Conditions de déclenchement : le LLM doit appeler cet outil lorsque :

• L’utilisateur indique avoir besoin d’un moment (« Donnez-moi une seconde », « Laissez-moi réfléchir »)
• L’utilisateur demande une pause dans le flux de la conversation
• L’agent détecte que l’utilisateur a besoin de temps pour traiter les informations

Paramètres :

• reason (chaîne, facultatif) : raison libre expliquant pourquoi la pause est nécessaire

Format d’appel de fonction :

{
  "type": "function",
  "function": {
    "name": "skip_turn",
    "arguments": "{\"reason\": \"User requested time to think\"}"
  }
}

Implémentation : aucune configuration supplémentaire n’est nécessaire. L’outil indique simplement à l’agent de rester silencieux jusqu’à ce que l’utilisateur parle de nouveau.

En savoir plus : outil pour ignorer le tour

Paramètres :

• reason (chaîne, obligatoire) : raison de la détection de messagerie vocale (par exemple, « message d’accueil automatisé détecté », « aucune réponse humaine »)

Format d’appel de fonction :

{
  "type": "function",
  "function": {
    "name": "voicemail_detection",
    "arguments": "{\"reason\": \"Automated greeting detected with request to leave message\"}"
  }
}

En savoir plus : outil de détection de messagerie vocale

Vous pouvez transmettre des paramètres supplémentaires à votre implémentation de LLM personnalisé.

from elevenlabs.conversational_ai.conversation import Conversation, ConversationInitiationData
extra_body_for_convai = {
    "UUID": "123e4567-e89b-12d3-a456-426614174000",
    "parameter-1": "value-1",
    "parameter-2": "value-2",
}
config = ConversationInitiationData(
    extra_body=extra_body_for_convai,
)

import json
import os
import fastapi
from fastapi.responses import StreamingResponse
from fastapi import Request
from openai import AsyncOpenAI
import uvicorn
import logging
from dotenv import load_dotenv
from pydantic import BaseModel
from typing import List, Optional
# Load environment variables from .env file
load_dotenv()
# Retrieve API key from environment
OPENAI_API_KEY = os.getenv('OPENAI_API_KEY')
if not OPENAI_API_KEY:
    raise ValueError("OPENAI_API_KEY not found in environment variables")
app = fastapi.FastAPI()
oai_client = AsyncOpenAI(api_key=OPENAI_API_KEY)
class Message(BaseModel):
    role: str
    content: str
class ChatCompletionRequest(BaseModel):
    messages: List[Message]
    model: str
    temperature: Optional[float] = 0.7
    max_tokens: Optional[int] = None
    stream: Optional[bool] = False
    user_id: Optional[str] = None
    elevenlabs_extra_body: Optional[dict] = None
@app.post("/v1/chat/completions")
async def create_chat_completion(request: ChatCompletionRequest) -> StreamingResponse:
    oai_request = request.dict(exclude_none=True)
    print(oai_request)
    if "user_id" in oai_request:
        oai_request["user"] = oai_request.pop("user_id")
    if "elevenlabs_extra_body" in oai_request:
        oai_request.pop("elevenlabs_extra_body")
    chat_completion_coroutine = await oai_client.chat.completions.create(**oai_request)
    async def event_stream():
        try:
            async for chunk in chat_completion_coroutine:
                chunk_dict = chunk.model_dump()
                yield f"data: {json.dumps(chunk_dict)}\n\n"
            yield "data: [DONE]\n\n"
        except Exception as e:
            logging.error("An error occurred: %s", str(e))
            yield f"data: {json.dumps({'error': 'Internal error occurred!'})}\n\n"
    return StreamingResponse(event_stream(), media_type="text/event-stream")
if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8013)

{
  "messages": [
    {
      "role": "system",
      "content": "\n  <Redacted>"
    },
    {
      "role": "assistant",
      "content": "Hey I'm currently unavailable."
    },
    {
      "role": "user",
      "content": "Hey, who are you?"
    }
  ],
  "model": "gpt-4o",
  "temperature": 0.5,
  "max_tokens": 5000,
  "stream": true,
  "elevenlabs_extra_body": {
    "UUID": "123e4567-e89b-12d3-a456-426614174000",
    "parameter-1": "value-1",
    "parameter-2": "value-2"
  }
}